1. No category

Estimación de evapotranspiración real en trigo con distintas
condiciones de estrés hídrico: aplicación de modelos y
sensores remotos
por la Dra. María del Rosario Iglesias
Presentado ante la Facultad de Matemática, Astronomía y Física y el Instituto de Altos
Estudios Espaciales Mario Gulich como parte de los requerimientos para la obtención
del grado de
MAGISTER EN APLICACIONES ESPACIALES DE ALERTA Y RESPUESTA
TEMPRANA A EMERGENCIAS
UNIVERSIDAD NACIONAL DE CORDOBA
Director: Mgter Gustavo G. Ovando (Facultad de Ciencias Agropecuarias. Universidad
Nacional de Córdoba), Co Director: Dr. Marcelo Scavuzzo (Instituto "Mario Gulich",
CONAE Córdoba, Argentina) Asesor: Dr. Andres Berger (Instituto Nacional de
Investigaciones Agropecuaria (INIA). La Estanzuela. República Oriental del Uruguay)
https://creativecommons.org/licenses/by/2.5/ar/
i
Agradecimientos
Mis más sinceros agradecimientos a todos aquellos que formaron parte en la
construcción y desarrollo no sólo de esta tesis, sino que en mi crecimiento personal y
profesional, por esto muchísimas gracias.
Quiero agradecer especialmente a Gustavo Ovando y Marcelo Scabuzzo, Director y Codirector de esta tesis, por su ayuda constante, su continua predisposición y calidad
humana.
Al tribunal, por realizar las sugerencias adecuadas y colaborar en la revisión del
documento
A los docentes y autoridades de la Maestría AEARTE y del Instituto Gulich y muy
especialmente a mis compañeros: Verónica, Gustavo, Soraya, Pablo, Diana, Andrea,
Mariangel, Noelia, Marcos, Claudia, Rene y José, por todo lo compartido en estos dos
inolvidables años juntos.
Mis sinceros agradecimientos a las Instituciones que hicieron posible el desarrollo de la
maestría AEARTE: CONAE (Comisión Nacional de Actividades Espaciales), IG
(Instituto de Altos Estudios Espaciales Mario Gulich), FAMAF (Facultad de
Matemática, Astronomía y Física), ASI (Agenzia Spaziale Italiana).
A mi familia y amigos, por su apoyo incondicional.
ii
Resumen
La evapotranspiración (ET) es uno de los procesos más importante del ciclo
hidrológico. Su estimación es fundamental en asesoramientos sobre estrés
medioambiental que afecta los ecosistemas agrícolas y naturales. El objetivo principal
de esta tesis es estimar la evapotranspiración real de un cultivo de trigo, mediante
modelos semiempírico, que incorporan datos de sensores remotos y de sensores
meteorológicos a campo. También, se corroboró la relación entre índices de vegetación
y la evapotranspiración. Por último, se comprobó el desempeño de un simulador de
cultivo en la estimación diaria de ET. Ambos modelos (semiempírico y simulador), se
verificaron sus ajustes mediante datos de evapotranspiración de una torre de flujo in situ
(eddy covariance). El modelo semiempírico reveló alta correlación con los datos de
campo, considerándolo adecuado para el monitoreo del cultivo. Dentro de los índices
analizados el TDVI fue el que mostró un mayor ajuste con los datos de
evapotranspiración estimados y de campo. El simulador, evidenció una evolución diaria
de la evapotranspiración, similar a los datos de campo, pero con valores menores,
subestimados alrededor de un 40 %. Los resultados de esta tesis brindan un modelo
semiempírico para ser aplicados en la estimación de evapotranspiración real en cultivos
de trigo de la región.
Palabras claves: evapotranspiración real, modelo semiempirico, Landsat 8, torre de flujo,
DSSAT.
iii
Abstract
Evapotranspiration is one of the most important processes of the hydrological cycle.
Estimation of evapotranspiration is central to advice on environmental stress affecting
the productivity of both natural and agricultural ecosystems. The main objective of this
thesis was to estimate actual crop evapotranspiration of wheat, by semi-empirical model
that incorporate remote sensing data and meteorological field sensors. Also, this thesis
paper
explores
the
relationship
between
difference
vegetation
index
and
evapotranspiration and the performance of daily crop simulation of DSSAT software's
model. Both models adjustment (semi-empirical and DSSAT simulation), were verified
with in situ-based estimates of evapotranspiration by Eddy covariance tower. The semiempirical model showed a good fitting with field data, considering suitable for
monitoring crop. Among the indexes analyzed, the TDVI showed a greater adjustment
with evapotranspiration estimates data and field data. The DSSAT simulator, showed a
daily evolution of evapotranspiration, similar to the field data, but with lower values,
underestimated around 40%. The results of this thesis provide a semi-empirical model
with high setting, to be applied in the estimation of actual evapotranspiration in wheat
crops in the region.
Keywords: real evapotranspiration, semi-empirical model, Landsat 8, eddy-covariance
flux tower, DSSAT.
iv
Índice
1
Capítulo 1
Introducción
1
Estructura de la tesis
5
Referencias
6
9
Capítulo 2
Área de estudio
9
Diseño de experimento: elección de sitios
12
Trigo: desarrollo fenológico
15
Materiales y métodos
17
Método de Eddy Covariance
17
Principio de teledetección y su relación con la dinámica del cultivo
19
Misión Landsat 8
20
Conversión a Radiancia en el techo de la atmosfera (TOA)
22
Conversión a reflectancia
23
Conversión a temperatura de brillo
25
Índices de vegetación
26
NDVI
26
NDWI
27
Índice de estrés vegetal o TDVI
28
Software utilizados
30
Referencias
31
33
Capítulo 3
v
Modelos semiempírico: Aplicación de Sensores Remotos
33
Radiación neta
34
Flujo de calor sensible y de calor latente
35
Radiación neta instantánea
36
Albedo
37
Emisividad de superficie
38
Emisividad del aire
38
Radiación neta diaria
39
Referencias
40
Capítulo 4
43
Resultados
43
1- Registros diarios de la Torre de flujo
43
2-Estimación de la evapotranspiración real a partir de modelo semiempírico
45
a- Determinación del coeficiente C para estimar la Radiación neta diaria
45
b- Estimación de los coeficientes A y B a partir de la relación entre la
diferencia entre Led yRnd y la diferencia entre la temperatura de superficie y aire
47
3-Análisis temporal de los índices de vegetación
50
Relación temperatura y NDVI para la obtención del índice TDVI
52
Imágenes TDVI
55
Análisis de evapotranspiración real calculada e índices de vegetación.
57
Futuras consideraciones
59
Discusión
60
Referencias
63
65
Capítulo 5
Método indirecto: Modelo de simulación de cultivo
65
Materiales y métodos
66
vi
Resultados y discusión
68
Referencias
74
76
Capítulo 6
Conclusiones finales
76
Futuras consideraciones
77
78
Anexo
vii
Índice de Tablas
Tabla 1: Análisis del suelo de ambos sitios.
13
Tabla 2: Caracterización de las bandas espectrales de los sensores OLI y TIRS a
21
bordo de Landsat 8
Tabla 3. Ecuaciones de los límites secos para las imágenes consideradas
53
Tabla 4. Ecuaciones de los límites húmedo para las imágenes consideradas
53
Tabla 5: Precipitaciones acumuladas entre fechas de imágenes analizadas
55
Tabla 6: Correlación de Pearson entre los valores de índice de vegetación y los
57
ambientes A y B
viii
Índice de Figuras
Figura 1: Ubicación del Área de estudio.
9
Figura 2: Modelo digital de terreno, mapa de pendiente y mapa de suelo del área
11
de estudio.
Figura 3: Ubicación de los sitios de muestreos
13
Figura 4: Etapas en el desarrollo del trigo
16
Figura 5. Esquema de la captura de una imagen desde satélite
19
Figura 6: Esquema del espectro electromagnético
20
Figura 7: Esquema de la distribución de los valores de NDVI y Temperatura de
29
superficie para la obtención de la fórmula de TDVI
Figura 8: Diagrama síntesis de desarrollo del modelo semiempírico.
40
Figura 9: Comportamiento de la evapotranspiración, radiación neta instantánea y
temperatura diaria para las seis fechas
44
Figura 10: Valores de Rnd y Rni 10-11 medidos en la estación de balance de
45
energía
Figura 11: Relación entre la radiación neta diaria y la radiación instantánea
46
Figura 12: Modelo de regresión simple de la diferencia entre la
evapotranspiración diaria y la radiación diaria, en función de la diferencia de
temperatura de la superficie y el aire
47
Figura 13: Diagrama síntesis de la estimación de evapotranspiración diaria a
partir del modelo semiempírico
48
Figura 14: Variación temporal de las estimaciones de evapotranspiración para
cada ambiente mediante modelo semiempírico y valores de evapotranspiración
reales
49
Figura 15: Estimación de la evapotranspiración real mediante modelo
50
ix
semiempírico ajustado para Landsat 8.
Figura 16 : Variación temporal del NDVI
51
Figura 17: Variación temporal del NDWI
52
Figura 18: Gráfico de regresión lineal de los límites secos y húmedos para cada
54
fecha considerada
Figura 19: Evolución del TDVI
56
Figura 20: Dinámica del NDVI, NDWI, TDVI y Evapotranspiración real medida
58
a campo en el ambiente A.
Figura21: Dinámica del NDVI, NDWI, TDVI y Evapotranspiración real medida
58
a campo en el ambiente B
Figura 22: Evolución de la evapotranspiración real a partir de modelo
semiempírico utilizando datos simulados del WRF
59
Figura 23: Evolución diaria de la evapotranspiración obtenida por el simulador
para los ambientes A y B y los valores de evapotranspiración de campo
69
Figura 24: Proporción de evaporación del suelo y transpiración diarias en el
ambiente A
70
Figura 25: Proporción de evaporación del suelo y transpiración diarias en el
ambiente B
71
Figura 26: Acumulación de biomasa aérea estimado del cultivo en los ambiente
71
AyB
Figura 27: Predicción del rendimiento de grano estimado del cultivo en los
ambientes A y B según modelo DSSAT
x
72
Capítulo 1
Introducción
La evapotranspiración es uno de los procesos más importante en la estimación del
balance energético de una superficie, ya que es un factor clave en el intercambio de
energía y agua entre la superficie de la Tierra y la atmósfera (Brutsaert, 2005; Sánchez,
et al., 2007; Olivera et al., 2013). Junto con las precipitaciones y la escorrentía, la
evapotranspiración controla la disponibilidad de agua en el planeta. Se define por
evapotranspiración real a la transferencia total de agua a la atmósfera desde suelos con y
sin vegetación, producto de dos fenómenos simultáneos: la evaporación que representa
la cantidad de agua que se transfiere a la atmósfera proveniente del suelo y la
transpiración de la vegetación (Allen et al., 1998). La capacidad de estimar con
precisión la magnitud de este fenómeno está ligada a determinar con mayor certeza el
ciclo hidrológico; particularmente vinculados a estudios relacionados con la
disponibilidad de las fuentes de agua, modelos hidrológicos utilizados en programas de
emergencias ambientales, como también en el asesoramiento sobre el estrés
medioambiental que afecta los ecosistemas agrícolas y naturales (Rivas & Caselles,
2004; Sánchez Tomas, 2008).
La adaptación de los sistemas agrícolas al cambio climático es esencial para fomentar la
seguridad alimentaria, la mitigación de la pobreza, la gestión sostenible y conservación
de los recursos naturales. Muchos países ya están sufriendo las repercusiones del
cambio climático en forma de una pluviometría irregular e impredecible, como también
en un aumento de la incidencia de las tormentas y sequías prolongadas. El cambio de las
condiciones meteorológicas también favorece la aparición de plagas y enfermedades
-1-
que afectan a cultivos y animales. Según la Organización de las naciones unidas para la
alimentación y la agricultura (FAO, 2013), en casi todas las regiones del mundo, la
evapotranspiración producida en las tierras agrícolas bajo riego, es uno de los mayores
usos consuntivo del agua extraída para uso humano. Las prácticas agrícolas
inadecuadas, como el exceso de riego en los cultivos, conlleva al aumento del nivel
freático, salinización y degradación de suelos (Anderson et al., 2012), disminuyendo
fuertemente la productividad. Por otro lado, el aumento de la sequía en áreas de secano,
fomentan la fragilidad de los sistemas, generando condiciones económicas y
medioambientales vulnerables (FAO, 2013) que afectan directamente al hombre. Por lo
tanto, la creciente presión ejercida por la demanda de agua, junto con imperativos
ambientales, implica que la agricultura debe obtener más producción de los cultivos con
menos agua y con un menor impacto ambiental. Ello constituye un reto notable y
supone que a la hora de gestionar el agua para la intensificación sostenible de la
producción agrícola, habrá que prever de una agricultura más inteligente y precisa,
donde la estimación de la evapotranspiración en un cultivo juega un rol fundamental
para la toma de decisiones de una adecuada practica de manejo que repercute en la
sustentabilidad del sistema.
Se conoce que la estimación precisa de la evapotranspiración no es una tarea simple ya
que los procedimientos requieren el control continuo de un gran número de parámetros
físicos, meteorológicos y de la cubierta vegetal (Fang et al., 2016). El cálculo de estos
parámetros puede realizarse a distintas escalas, desde el nivel de hoja, a planta, campo y
paisaje, hasta distintos enfoques de estimación, como son los métodos directos e
indirectos. Dentro de los métodos directos y precisos, encontramos la covarianza de
torbellinos (en ingles Eddy covariance), que estima la evapotranspiración mediante
torres de flujos a escala local. Estos instrumentos, no son apropiados para las
mediciones de rutina a una escala regional, sin embargo proporcionan información que
permite validar modelos y estimaciones indirectas (Verstraeten et al., 2008). Dentro de
los métodos indirectos encontramos los modelos de simulación de cultivo, el uso de
modelos semiempiricos y teledetección. Los modelos de cultivos, simulan los procesos
biofísicos en el sistema suelo-planta-atmósfera para proveer una descripción continua
del crecimiento y desarrollo del cultivo a partir de condiciones iniciales y datos
-2-
climáticos históricos. Uno de los principales objetivos de los modelos de simulación de
cultivos es predecir la evapotranspiración real diaria como una función dependiente de
las condiciones meteorológicas y edáficas (Hoogenboom, 2000).
Los modelos semi-empíricos de cálculo de la evapotranspiración real, estiman este
parámetro a escala de paisaje combinando datos de estaciones meteorológicas (Rivas et
al., 2011) con sensores remotos, ajustando la estimación de la evapotranspiración real y
extrapolándolo a una escala mayor. Estos modelos, tiene la finalidad de estimar y
monitorear el balance hídrico de forma rápida, a bajo costo y abarcando una área más
amplia que los métodos directos (Sobrino et al., 2000; Rivas et al., 2002; Sánchez, et al.,
2007; Sánchez Tomas, 2008; Rivas et al., 2011). En las últimas décadas, numerosos
estudios han recalcado la importancia del uso de sensores remotos para la estimación de
las condiciones hídricas y la obtención de parámetros biofísicos de superficie, los cuales
son de gran interés en los estudios climáticos e hidrológicos a diferentes escalas,
permitiendo entender la distribución espacio-temporal del fenómeno (Sobrino et al.,
2000; Houspanossian et al., 2008). Las técnicas de teledetección, suministran la falta
frecuente de variables básicas a medir y los parámetros necesarios para aplicar los
modelos locales a una escala regional a partir de la combinación de la información
multiespectral de las imágenes de sensores remotos (Sánchez et al., 2008). De esta
forma, a partir de esta herramienta se permite monitorear la disponibilidad de agua en el
suelo y estimar los componentes del balance de energía de la superficie terrestre, como
es la evapotranspiración (Bermejillo de Salcedo, 1998, Rivas et al., 2011, Bayala,
2011). Muchos estudios han estimado este parámetro partir de diversos sensores, como
Landsat (Bastiaanseen et al., 2005; Mc Cabe & Wood, 2006; Rivas et al., 2011),
ASTER (Mc Cabe & Wood, 2006, Olivera et al., 2013) y MODIS (Nishida el al., 2003;
Mc Cabe & Wood, 2006; Mulleady & Barrera, 2013). Sin embargo en muchas
circunstancias, la resolución espacial de los datos de teledetección no puede capturar las
características individuales y los pixeles se componen de varios tipos de coberturas de
suelo obstaculizando la capacidad de discriminar las condiciones de campo,
conduciendo a errores en la estimación (Mc Cabe & Wood, 2006). Frente a esto, es
importante la adecuada elección de la resolución espacial de acuerdo a tipo de análisis
que se quiera realizar.
-3-
Entre las regiones más productivas de Sudamérica se encuentra la cuenca del río de la
Plata, que se abre en forma de abanico a partir de la desembocadura desplegándose
dentro de la jurisdicción de cinco países. Dentro de los cultivos de invierno más
producidos de esta región, se destaca el trigo (FAO, 2014). Este es el cereal panificable
de mayor cultivo en el mundo (Pazmiño Bonilla, 2013), y es cultivado en gran cantidad
de climas, adaptándose a zonas que tienen una estación de crecimiento fresca y húmeda,
seguida de otra cálida y seca en la maduración. La región de Soriano, es considerada
una de las regiones agrícolas más fértiles del Uruguay, sin embargo la variabilidad
climática y de ambientes edáficos, determinan considerables variaciones en
rendimientos, mostrando importantes diferencias en la respuesta vegetal dentro y entre
los lotes de un mismo campo (Terra et al., 2010).
Frente a lo mencionado, el objetivo de la tesis es estimar la evapotranspiración real en
un cultivo de trigo durante su ciclo fenológico partir de distintas metodologías. Por un
lado, se utilizará modelos semi-empíricos que combinan datos meteorológicos medidos
en estaciones convencionales y de balance de energía (temperatura y humedad del aire,
velocidad del viento y radiación solar) provistos por la empresa de agricultura de
precisión Okara y el INIA (Instituto Nacional de Investigación Agropecuaria del
Uruguay) y parámetros de superficie obtenida a partir de sensores remotos provisto por
CONAE (Comisión Nacional de Actividades Espaciales). También se evaluará la
evapotranspiración real a partir de modelos de simulación de cultivos. Los datos se
constataran a partir de las torres de flujo ubicadas in situ y se correlacionaran con
diversos índices de estrés de la vegetación. Este estudio pretende aportar las
herramientas para generar mapas de estimación de evapotranspiración real precisos para
la región. La mejora en la precisión se centra en lograr reproducir los cambios
observados en el terreno, y extrapolarlos a campos de trigo de la misma región, de
forma rápida, para lograr un monitoreo preciso del sistema suelo-agua-planta, como
también, aportar conocimiento de base para el uso conjunto de estas herramientas en la
región más productiva del Uruguay.
-4-
Estructura de la tesis
La presente tesis se encuentra organizada en seis capítulos, comenzando con los
conceptos básicos sobre evapotranspiración e introduciendo a la importancia de su
estimación para la toma de decisiones y la problemática de su cálculo, expuestos en este
capítulo.
En el capítulo 2, se realiza la descripción del área de estudio y de las herramientas
utilizadas para la estimación. Se profundiza en el uso de sensores remotos y el cálculo
de índices de vegetación.
El
capítulo
3
incluye
la
descripción
sobre
el
modelo
semiempírico
de
evapotranspiración real y definición de los parámetros asociados.
En el capítulo 4 se presenta los resultados del modelo semiempírico a lo largo de la
evolución del cultivo. Se verifica el ajuste del modelo y se correlaciona los resultados
obtenidos con una serie de índices de vegetación con el fin de encontrar un indicador
indirecto y preciso de la evapotranspiración real.
En el capítulo 5 se presenta el modelo de simulación DSSAT, como una herramienta
más para el manejo y monitoreo de la evapotranspiración en los cultivos. Se verifica su
ajuste para los sistemas agrícolas de la región de Soriano.
En el capítulo 6 se presenta las conclusiones finales de este trabajo y consideraciones
futuras. Por último, al final del documento se incluye una serie de apéndices
organizados por temática.
-5-
Referencias
Allen R.G., Pereira, L.S., Raes, D., Smith, M., 1998. Crop evapotranspirationGuidelines for computing crop water requirements-FAO. Irrigation and drainage. In:
Water Resources, Development and Management Service, Rome, Italy. Paper 56, pp.
323.
Anderson M., Allen, R., Morse A., and Kustas W. 2012. Use of Landsat thermal
imagery in monitoring evapotranspiration and managing water resources Remote
Sensing of Environment 122: 50–65.
Bastiaanssen W., Noordman E., Pelgrum H., Davids G., and Allen R. 2005.
SEBAL for spatially distributed ET under actual management and growing conditions.
Journal of Irrigation and Drainage Engineering 131: 85-93.
Bayala M.I. 2011. Generación de mapas de temperatura radiativa de superficie
utilizando datos de baja resolución espacial mediante técnicas de remuestreo. Instituto
Gulich
CONAE,
Nacional
de
Córdoba.
Retrieved
from
http://www2.famaf.unc.edu.ar/carreras/posgrado/documents/maestria_aearte/Tesis_Bay
a la-Martin.pdf
Bermejillo de Salcedo. A. 1998. Estimación de la evapotranspiración real
regional a partir de datos satelitales. Tesis para optar al grado de: Magister Scientiae en
riego y drenaje. Universidad Nacional de Cuyo Facultad de Ciencias Agrarias 81pp
Brutsaert W. 2005. Hydrology, An Introduction. Cambridge, United Kingdom:
Cambridge University Press.
Fang Y., Sun G., Caldwell P., McNulty S.,Noormets A., Domec J.C. , King J.,
Zhang Z, Zhang X., Lin G., Zhou G., Xiao J. and Chen J. 2016. Monthly land coverspecific evapotranspiration models derived from global eddy flux measurements and
remote sensing data. Ecohydrology 9(2) 248-266.
Food and Agriculture Organization (FAO).2013. Informe sobre temas hídricos
n°38. Afrontar la escasez de agua: Un marco de acción para la agricultura y la seguridad
alimentaria.
Food and Agriculture Organization (FAO). 2014. Crop prospects and food
situation. March 2014. http://www.fao.org/docrep/019/ I3618e/I3618e.pdf (se accedió el
26/03/2016).
Hoogenboom G. 2000. Contribution of agrometeorology to the simulation of crop
production and its applications. Agricultural and Forest Meteorology. 103: 135-157.
Houspanossian J., Rivas R., Vazquez, P. y Vives, L. 2008. Evaluación de la
respuesta de tres índices de estrés hídricos en vegetación de la región pampeana
-6-
argentina. Quito Ecuador. 8 al 12 de julio.: IX Congreso Latino Americano de
Hidrología Subterránea y Expo Agua.
Jones J.W., Keating B.A. and Porter C.H. 2001. Approaches to modular model
development. Agricultural Systems 70:421–443.
McCabe M.F and Wood E.F. 2006. Scale influences on the remote estimation of
evapotranspiration using multiple satellite sensors. Remote Sensing of Environment
105: 271–285.
Monteith J.L. and Unsworth M. 1990. Principles of Environmental Physics.
Edgard Arnold, London, second edition. 71-79.
Mulleady C. y Barrera D. 2013. Estimación de la tasa de Evapotranspiración a
partir de datos satelitales MODIS. Meteorological 38(1): 21-39
Nishida K., Nemani R., Glassy J. and Running S. 2003. Development of an
evapotranspiration index from aqua/MODIS for monitoring surface moisture status.
IEEE Transactions on Geoscience and Remote Sensing 41: 493-501
Olivera L., Mattar C. y Galleguillos M. 2013. Estimación de la
evapotranspiración real en ecosistemas mediterráneos de Chile mediante datos ASTER
y MODIS, Revista de Teledetección 39: 46-56.
Pazmiño Bonilla, M.J. 2013. Determinación del perfil de la harina de trigo
(genustriticum) tipo panadera elaborada en Molinos Cordillera -Sucesores de Jacobo
Paredes M.S.A. Universidad Tecnológica Equinoccial. Facultad de Ciencias de la
Ingeniería. Quito. Ecuador 102 pp.
Rivas R. and Caselles V. 2004. A simplified equation to estimate spatial
reference evaporation from remote sensing-based surface temperature and local
meteorological data. Remote Sensing of Environment 93: 68–76.
Rivas R., Ocampo D. y Carmona F. 2011. Modelo de predicción de rendimiento
de trigo a partir de NDVI: aplicación en el contexto de la agricultura de precisión. Anais
XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de
abril a 05 de maio de 2011, INPE p.0584.
Rivas R.E. and Carmona F. 2011. Evapotranspiration in the Pampean Region
using field measurements and satellite data. Physics and Chemistry of the Earth 55:
27:34.
Sánchez J.M., Caselles V., Valor E. y Coll C. 2007. Análisis de una metodología
para la estimación de la evapotranspiración real diaria mediante teledetección a una
escala regional. Revista de Teledetección. 27: 71-79.
Sanchez J.M., Scavone G., Caselles V, Valor E., Copertino V.A., and Telesca V.
2008. Monitoring daily evapotranspiration at a regional scale from Landsat-TM and
ETM+ data: Application to the Basilicata region. Journal of Hydrology 351:58–70.
Sánchez Tomas J.M. 2008. Estimación mediante teledetección de la
evapotranspiración real a partir de un modelo desacoplado de dos fuentes. Tesis
-7-
doctoral. Universitat de Valencia. Facultad de Física. Departamento de Física de la
Tierra y Termodinámica.
Sobrino, J. 2000. Teledetección. Universidad de Valencia: Guada Impresores
S.L - ISBN: 84-370- 4220-8
Terra J., Melo D. y Sawchik J. 2010. Atributos edáficos y topográficos
relacionados a los patrones de variación de rendimiento de cultivos agrícolas en
Uruguay. In: Reunión Técnica (1ª, 2010, Colonia del Sacramento, Colonia, Uruguay).
Dinámica de las propiedades del suelo bajo diferentes usos y manejos. Montevideo,
Sociedad Uruguaya de Ciencias del Suelo/International Soil and Tillage Research
Organization. pp. 7-17.
Verstraeten W.W., Veroustraete, F., and Feyen, J.: Assessment of
evapotranspiration and soil moisture content across different scales of observation,
Sensors, 8, 70–117, doi:10.3390/s8010070, 2008.
-8-
Capítulo 2
Área de estudio
El estudio se llevó a cabo sobre un establecimiento ubicado al suroeste de la República
Oriental del Uruguay (33° 34´ S, 58° 11´ W, 32 m de altitud), en el departamento de
Soriano (Figura 1).
Figura 1: Ubicación del Área de estudio. Izq: mapa de Alta resolución del Área. Der: Mapa de la
Republica Oriental del Uruguay. La flecha señala el área de estudio
-9-
El área presenta una superficie de 273 ha, con suelo apto para la agricultura, siendo
estos muy oscuros de textura media pesada. Según la carta del suelo de la FAO de 1990
y el mapa generado por la Comisión Nacional de Estudio Agro económico de la Tierra
(CO.N.E.A.T.), los suelos son Phaezens Luvicos, de color pardo oscuro, textura franco
limosa, fertilidad alta y drenaje imperfecto. De acuerdo al modelo digital a terreno y el
mapa de pendientes que se muestra a continuación, el área presenta un relieve irregular
con bajos, lomas y pendientes marcadas que pueden afectar el desarrollo del cultivo y el
ciclo del agua. La altitud varía desde 13 a 40 msnm, y las pendientes pueden llegar a
valores máximos de 5% (Figura 2).
El clima de la región es subtropical húmedo, con precipitaciones que se caracterizan por
su extrema irregularidad y variabilidad, siendo el promedio anual histórico de 1030 mm
(Rivas et al., 2011) y una temperatura media anual de 17.3ºC. Sin embargo, las
precipitaciones
anuales
del
año
2013,
fueron
entre
800-900
mm.
(http://www.inia.org.uy/gras/agroclima/ppt_mapas/ppt_anual201312.png), 200 mm por
debajo de la media histórica.
- 10 -
Figura 2: Modelo digital de terreno, mapa de pendiente y mapa de suelo del área de estudio.
- 11 -
Diseño de experimento: elección de sitios
El estudio se llevó a cabo sobre los lotes sembrados con trigo (Tritricum durum L.
variedad Nogal) el 23 de mayo del 2013 y se realizó su monitoreo hasta su cosecha en
diciembre del mismo año. Previo a la siembra, se determinó para su seguimiento, dos
áreas con características contrastante en la productividad histórica del cultivo (basada en
monitores de rendimiento de 2 años anteriores). Los dos sitios distan entre sí
aproximadamente 300 metros (Figura 3). Llamaremos a los sitios ambiente A y
ambiente B, siendo el primero (ambiente A) el sitio que presento mayor productividad
en los años previos para el cultivo de trigo verificado a partir de monitores de
rendimiento.
El área fue sembrada, mediante siembra directa, técnica que reduce la evaporación por
parte del suelo (Allen et al., 1998) a una distancia entre hileras de 19 cm. La densidad
de siembra fue de 400 plantas sembradas /m2 y 350 plantas emergidas. No se fumigó, ni
aplicó riego ni fertilizantes durante el ciclo del cultivo No existen en el campo barreras
de viento cercanas que afecten directamente a la evapotranspiración del cultivo.
.
- 12 -
Figura 3: Ubicación de los sitios de muestreos. Ambiente A (A) y Ambiente B (B)
Debido a que ciertas condiciones iniciales de ambos sitios, son iguales (mismo día de
siembra, mismo genotipo de semilla, exposición a la misma variabilidad climática,
ausencia de fumigación y riego), se realizaron muestreos del suelo a 10 cm. para
analizar sus propiedades fisicoquímicas que podrían limitar el desarrollo del cultivo. La
tabla resultante se muestra a continuación (tabla 1):
- 13 -
Tabla 1: Análisis del suelo de ambos sitios a 10 cm. de profundidad.
Ambiente A
Ambiente B
PH en agua
6.29
5.86
P (mg/kg)
17
15
Nitrato %
6
9
Azufre %
6.3
1.2
Potasio (cmol)
0.64
0.37
Materia Orgánica
3.4 %
3.1 %
Arcilla (%)
28
23
Arena (%)
31
26
Limo (%)
41
51
Los análisis de los suelo realizados a priori en los dos ambientes, evidencian pequeñas
variaciones en la textura y las propiedades químicas, que podrían afectar directamente el
desarrollo de la vegetación y su balance hídrico. Los suelos son franco-franco limosos,
donde predominan los limos. Estos suelos se caracterizan por presentar una buena
cantidad de agua disponible para plantas y un balance entre los componentes arena,
arcilla y limo, siendo el limo el más abundante. Son suelos ligeros, aireados y
permeables, con capacidad media de retención de agua. El ambiente A, presenta un
mayor equilibrio de los tres componentes (arena-arcilla y limo), con respecto al suelo
del ambiente B donde domina ampliamente el limo, lo que indicaría que el primero, es
un suelo más apto para el desarrollo de los cultivos. El ambiente A, también presenta un
porcentaje un poco mayor de materia orgánica, que puede ayudar a la retención de agua
en el suelo. Se dice que la materia orgánica es un indicador de la “bondad del suelo” o
calidad del mismo. Por lo general suelos con mayor nivel de materia orgánica son más
productivos como también más ricos en los niveles de nutrientes esenciales para el
normal desarrollo de los cultivos (Polak, 2011). Otro factor importante es el pH, que es
considerado como una de las principales variables en los suelos, ya que controla muchos
procesos químicos que en éste tienen lugar. Afecta específicamente la disponibilidad de
- 14 -
los nutrientes de las plantas, mediante el control de las formas químicas de los
nutrientes. El rango de pH encontrado en nuestros sitios se encontraría dentro de los
valores aceptables, siendo, el suelo del ambiente B moderadamente ácido (pH entre 5.66), mientras el ambiente A es ligeramente ácido (entre 6.1-6.5). Los suelos ácidos, con
pH por debajo de 5.5 tienen resultados negativos en los rendimientos de los cultivos
(Rawson y Gómez Macpherson, 2001). Por otro lado, la topografía juega un rol
importante que repercute en el desarrollo del cultivo de trigo. Por ejemplo, las lomas
tienen suelos menos profundos que los bajos y algunas investigaciones indicarían que
los niveles mayores de materia orgánica se encuentran zonas topográficas más bajas
(Kravchenko y Bullock ,2000; Castro Franco et al., 2012). Las zonas con pendientes
pronunciadas sufren generalmente erosión y lavado de suelo (Castro Franco et al.,
2012).
Trigo: desarrollo fenológico
El trigo, según el Sistema Integrado de Información Taxonómica (ITIS) es una
monocotiledónea, de la familia Poáceas, pertenecientes al género Triticum con
numerosas especies. Sin duda, esta gramínea es el cereal panificable de mayor cultivo
en el mundo (Pazmiño Bonilla, 2013), siendo T. durum, una de las especies más
cultivadas en Uruguay, cuya finalidad es la producción de harinas para pasta. Esta
especie es seleccionada de acuerdo a el rendimiento, el comportamiento frente a estrés
(sea de exceso de agua como de sequía), sanidad, ciclo, plasticidad, sincronización e
índice de cosecha. En el área de estudio, donde se encuentran ambos ambientes, se
utilizó la variedad Nogal, que se caracteriza por ser una planta de dimensiones pequeñas
con espiga de gran tamaño, muy macolladora, con elevado potencial de rendimiento
(Olivieri et al., 2012).
- 15 -
El trigo presenta un complejo ciclo de vida con distintos estadios. Básicamente, estas
etapas se sintetizan en: germinación, emergencia, formación de la plántula, iniciación de
la flor, formación en la terminación de la espiga, formación del primer nudo y/o
elongación de la caña, levantamiento de la espiga, antesis y madurez. A nivel
fisiológico, nos referimos a madurez al período en que la hoja bandera y la espiga se
vuelven amarillas (Hanft & Wych, 1982). En el siguiente gráfico se representa los
distintos estadios o etapas de desarrollo (Figura 4).
Figura 4: Etapas en el desarrollo del trigo (modificado de Silva et al., 2011)
El clima es el regulador principal de cada etapa del desarrollo del trigo. Para la
germinación se necesita que las semillas tengan entre el 35-45% de humedad (Evans et
al. 1975, Silva et al., 2011). El período de la etapa vegetativa varía entre 60-150 días,
dependiendo principalmente de la formación desde la primera hoja hasta la formación
de la flor, que en el caso de trigo de invierno, las espigas florecen con las bajas
- 16 -
temperaturas (0-12°C) (Chujo, 1966; Leopold & Kriederman, 1975). Para que el pasaje
de la etapa vegetativa a la reproductiva sea exitoso, la temperatura no debe superar los
30°C, ya que podría provocar esterilidad. La formación de la espiga es una etapa
vulnerable. Cuando la espiga se ha formado, la caña empieza su elongación y se
identifica en esta etapa, la hoja bandera. A partir de este momento hasta antes de la
madurez, las flores se autopolinizan en menos de una semana y empieza la formación de
semillas (Silva et al., 2011).
Materiales y métodos
Método de Eddy Covariance
El sistema de Eddy Covariance, también llamado covarianza de los torbellino, consiste
básicamente de un anemómetro y de un analizador CO2/H2O, que mide las
concentraciones de los dos gases. El anemómetro y el analizador están montados en una
torre en una altura de dos metros sobre un área homogénea, ya que numerosos estudios
indican que las condiciones de estabilidad atmosférica (Brotzge y Crawford, 2003; Wolf
et al., 2008), advección de energía (Dugas et al., 1991) y ubicación del instrumental
meteorológico (Cellier y Brunet, 1992; Mahrt, 2000) pueden influir en la sensibilidad y
desempeño de los sistemas al evaluar los flujos conducidos por la turbulencia. El
anemómetro y el analizador miden con una frecuencia alta (usualmente de 20 Hz). El
flujo es calculado a través de la covarianza entre el viento vertical y la concentración del
CO2 y vapor de agua, respectivamente. Los datos medidos son las velocidades del
viento y las concentraciones de CO2 y vapor de agua, los cuales son las densidades
parciales de CO2 y vapor de agua en el aire. El anemómetro mide además una
temperatura sónica, de la cual se deja calcular la temperatura del aire
Básicamente, el sistema de Eddy covariance, permite evaluar directamente el flujo de
calor latente (λE) y sensible (H) a partir de la variación de la velocidad vertical del
- 17 -
viento y de la densidad de vapor de agua y de la temperatura (Monteith y Unsworth,
2007). Suponiendo que la velocidad media del viento vertical es cero para una
superficie del suelo, uno puede expresar los flujos turbulentos por:
donde, λE (W m-2) es el flujo de calor latente; λ (J kg-1) el calor latente de vaporización;
w’ (m s-1) la variación instantánea de la velocidad vertical del viento; v’(kg m-3) la
variación instantánea de la densidad de vapor de agua; H (W m-2) el flujo de calor
sensible; Cp (1013 kJ kg-1 °C-1) el calor especifico del aire húmedo; a (kg m-3) la
densidad del aire; y T’ (°C) es la desviación instantánea de la temperatura del aire del
valor medio temporal. Las barras sobre las letras indican medias temporales y las primas
indican desviaciones de los valores desde las medias temporales. A partir de la ecuación
de balance de energía (explicada más adelante) se puede obtener de forme directa la
evapotranspiración real.
El sistema se instaló en la parte central del ambiente A inmediatamente después de la
siembra. Consistió en un anemómetro sónico, un analizador de gases en el infrarrojo
con sistema abierto LI-7500 (LI-COR Inc., USA) y registros a 10 Hz (0.1s), un sensor
de humedad y temperatura HMP45C y un “datalogger” CR5000 (Campbell Sci. Inst.,
Inglaterra) en el que se computaron las estadísticas y la corrección de densidad del aire
(Webb et al., 1980). Los datos se integraron en tablas de alta frecuencia y flujos cada 30
min. También se coloco un sensor de flujo de calor en el suelo (G) Huckseflux, un
sensor de velocidad de viento. El sensor de radiación neta de cuatro componentes
(CNR1), discrimina la radiación de onda corta (0,305 - 2,800 µm) entrante (Rs↓) y
saliente (Rs↑) y de onda larga (5-50 µm) entrante (Rl↓) y saliente (Rl↑) a la cubierta
vegetal, lo que permite estimar de forma directa la Radiación neta (Rn). Los valores de
estas variables en situación de vientos altos o presencia de precipitación, no fueron
consideraron en el estudio.
- 18 -
Principio de teledetección y su relación con la dinámica del cultivo
La teledetección consiste en la observación y la obtención de información de objetos de
la superficie terrestre desde sensores instalados en plataformas espaciales, asumiendo
que entre la Tierra y el sensor existe una interacción energética, ya sea por reflexión de
la energía solar o de un haz energético artificial que puede ser de emisión propia
(Chuvieco, 2010). En los sensores pasivos (Figura 5), la radiación electromagnética
proveniente del sol, que entra en contacto con la superficie terrestre o las nubes puede
ser reflejada por la superficie, absorbida y emitida o transmitida a otros objetos. A su
vez, la radiación reflejada captada por el sensor depende no sólo de la reflectividad del
objeto, sino de otros factores variables como el ángulo de iluminación, el relieve y la
dispersión por los gases y partículas de la atmósfera (vapor de agua, ozono, polvo,
humo, etc.). Cuando se estudian objetos de la superficie terrestre, es necesario tener en
cuenta estos efectos y corregirlos previamente a la obtención de la información para
lograr magnitudes físicas comparables entre las imágenes, tales como reflectividad o
temperaturas
Figura 5. Esquema de la captura de una imagen desde satélite (percepción remota pasiva)
- 19 -
En cuanto a la energía electromagnética, la misma puede ser caracterizada por su
longitud de onda o por su frecuencia. A su vez existen rangos de longitud de onda o
bandas donde la radiación electromagnética presenta un comportamiento similar. La
distribución de estas bandas se conoce como espectro electromagnético, el cual
comprende desde longitudes de onda corta, como los rayos X o gamma, hasta
longitudes de kilómetros, como las ondas de radio (Figura 6). El estudio de los recursos
territoriales y la medición de los campos energéticos de los cuerpos, se focaliza en el
empleo de longitudes de ondas electromagnéticas, que son codificadas en datos digitales
y dispuestos en arreglos matriciales, basadas en una celda de tamaño conocido, como
unidad de registro.
Figura 6: Esquema del espectro electromagnético
Misión Landsat 8
Landsat 8 es un satélite de observación de la Tierra norteamericano que fue lanzado el
11 de febrero de 2013, gestionado conjuntamente por la NASA y el Servicio Geológico
- 20 -
de Estados Unidos (USGS). El satélite Landsat 8 incorpora dos instrumentos de barrido:
Operational Land Imager (OLI), y un sensor térmico infrarrojo llamado Thermal
Infrared Sensor (TIRS). Las bandas espectrales del sensor OLI, aunque similares a el
sensor Landsat 7 ETM +, proporcionan una mejora de los instrumentos de las misiones
Landsat anteriores, debido a la incorporación de dos nuevas bandas espectrales: un
canal profundo en el azul visible (banda 1), diseñado específicamente para los recursos
hídricos e investigación en zonas costeras, y un nuevo canal infrarrojo (banda 9) para la
detección de nubes cirrus. Adicionalmente una nueva banda de control de calidad se
incluye con cada producto de datos generado. Esto proporciona información más
detallada sobre la presencia de características tales como las nubes, agua y nieve. Por
otra parte el sensor TIRS recoge dos bandas espectrales en longitudes de onda incluidas
por la misma banda en los anteriores sensores TM y ETM+. A continuación se presenta
un detalle de cada banda (Tabla 2)
Tabla 2: Caracterización de las bandas espectrales de los sensores OLI y TIRS a bordo de Landsat 8
(Ariza, 2013)
Bandas Espectrales de OLI
Longitud de onda
Resolución Espacial
Banda 1 - Costero / Aerosol
0.433 - 0.453 µm
30 m
Banda 2 - Azul
0.450 - 0.515 µm
30 m
Banda 3 - Verde
0.525 - 0.600 µm
30 m
Banda 4 - Roja
0.630 - 0.680 µm
30 m
Banda 5 - Infrarrojo cercano
0.845 - 0.885 µm
30 m
Banda 6 - Infrarrojo de onda
1.560 - 1.660 µm
30 m
2.100 - 2.300 µm
30 m
Banda 8 - Pancromática
0.500 - 0.680 µm
15 m
Banda 9 - Cirrus
1.360 - 1.390 µm
30 m
Bandas Espectrales de TIRS
Longitud de onda
Resolución
Band 10 - Infrarrojo termal o de
10.30 - 11.30 µm
100 m
11.50 - 12.50 µm
100 m
corta
Banda 7 - Infrarrojo de onda
corta
onda larga
Band 11 - Infrarrojo termal o de
onda larga
- 21 -
Las dos bandas térmicas 10 y 11 son útiles para proporcionar temperaturas más precisas
de la superficie y se toman con 100 metros de resolución espacial (Tabla. 2). El tamaño
aproximado de la escena es de 170 km de norte-sur por 183 kilómetros de este a oeste
(Ariza, 2013). El satélite sigue una órbita cuasipolar heliosincrónica a 705 kilómetros de
altura (esto significa que viajará del polo Norte al Sur observando la cara día del globo,
para regresar por la cara noche al primero y continuar el ciclo), dando 14 vueltas
planetarias diariamente y capturando más de 400 imágenes y generando una revisita de
16 días. Su ángulo de inclinación de 98,2 º (U.S Geological Survey, 2015).
En esta tesis se utilizaron productos estándar L1T, obtenida de forma gratuita atreves de
la página web del Servicio Geológico de Estados Unidos, U.S Geological Survey
(http://earthexplorer.usgs.gov), correspondiente al path 225 row 083. Las bandas de
cada escena se encuentran en formato de niveles digitales enteros (DN) con una
resolución radiométrica de 16 bits. Estos se pueden convertir a valores de reflectancia
en el techo de la Atmósfera (TOA) - (bandas 1-9) o radiación (Bandas 1-11) con
factores de escala previstas en el metadatos del producto, como se menciona a
continuación. Se seleccionaron para el estudio 6 escenas libres de nubes
correspondientes a las siguientes fechas: 7 de junio, 25 de julio, 10 de agosto, 11 de
septiembre, 27 de octubre y 14 de noviembre del 2013.
Conversión a Radiancia en el techo de la atmosfera (TOA)
Los productos estándar Landsat 8 LDCM, consisten en una serie cuantificada, calibrada
y escalada de niveles digitales DN, los cuales representan los datos de una imagen
multiespectral adquirida por ambos sensores: OLI Operational Land Imagen y el TIRS
Thermal Infrared Sensor.
- 22 -
Los datos de las bandas del sensor TIRS y OLI están derivados en 16 bits en formato no
cifrado y pueden ser reescalados a los valores de reflectancia y/ o radiancia en el techo
de la atmosfera TOA, usando para ello los coeficientes radiométricos provistos en el
archivo de metadato MTL.txt. La siguiente formula ha sido extraída del manual de
usuario de Landsat 8 (U.S Geological Survey, 2015):
Donde, Lλ es el valor de radiancia espectral en el techo de la atmosfera (TOA) medida
en valores de (Watts /m2 * srad * µm)). ML es el factor multiplicativo de escalado
específico obtenido del metadato (RADIANCE_MULT_BAND_x, donde x es el
número de la banda). AL, es el factor aditivo de escalado especifico obtenido del
metadato (RADIANCE_ADD_BAND_x, donde x es el número de la banda). Y Q cal es
el producto estándar cuantificado y calibrado por valores de pixel (DN).
Conversión a reflectancia
Los datos del sensor OLI pueden ser convertidos a valores de reflectancia (TOA) en el
techo de la atmósfera, usando para ello los coeficientes de reflectancia reescalados,
suministrados en el archivo de metadatos MTL. La siguiente ecuación es usada para
convertir los ND a valores de reflectancia (U.S Geological Survey, 2015):
Donde:
ρλ'= Mρ* Q cal+ Aρ
- 23 -
Donde, ρλ` = Es el valor de reflectancia planetaria, sin corrección por ángulo solar. Mρ
es el factor multiplicativo de escalado específico por banda. Este dato se obtiene del
archivo de metadato (REFLECTANCE_MULT_BAND_x, donde x es el número de la
banda). Aρ, es el factor aditivo de escalado específico por banda obtenido del metadato
(REFLECTANCE_ADD_BAND_x , donde x es el número de la banda). Finalmente, Q
cal, es el producto estándar cuantificado y calibrado para valores de pixel (DN). Este
valor se refiere a cada una de las bandas de la imagen
El cálculo de la reflectancia real de una cubierta captada por un sensor espacial está
condicionado por el comportamiento de la atmósfera, así como del ángulo de
observación. De esta manera, la reflectancia en el techo de la atmosfera TOA con una
corrección para el ángulo solar es entonces:
Dónde:
, es el valor reflectancia planetaria o en el techo de la atmosfera TOA, con
corrección por ángulo solar. Θse, es el ángulo de elevación solar. El ángulo de elevación
solar del centro de la escena es provisto en el metadato de la imagen
(SUN_ELEVATION). Θsz, es el ángulo cenital solar. Es el ángulo cenital solar,
corresponde al ángulo complementario de observación y puede obtenerse de la siguiente
manera:
Θsz = 90º – Θse
- 24 -
Conversión a temperatura de brillo
Las bandas obtenidas por el sensor TIRS pueden ser convertidas de radiancia espectral a
temperatura de brillo en grados Kelvin (°K) o temperatura de superficie (Ts) usando
para ello la constante térmica suministrada en el archivo de metadatos:
Donde:
Ts 
K2
K
Ln( 1  1)
L
Donde: Ts = Temperatura de brillo aparente en grados Kelvin (K). Lλ, Corresponde a
la reflectancia en el techo de la atmosfera TOA (Watts/( m2 * srad* μm)). K1, es la
constante de conversión K1 específica para cada banda, dicha constante térmica se
suministra en el metadato (K1_CONSTANT_BAND_x, donde x es el número de la
banda, 10 o 11). Finalmente K2 , es la constante de conversión K2 específica para cada
banda,
dicha
constante
térmica
se
suministra
también
en
el
metadato
(K2_CONSTANT_BAND_x, donde x es el número de la banda, 10 o 11). Los datos de
las constantes térmicas K1 y K2, aparecerán incluidos dentro de los atributos de imagen
en el archivo de metadato.
Las imágenes descargadas tienen un nivel de procesamiento denominado “Standard
Terrain Correction (Level 1T)”, que proporciona una precisión sistemática radiométrica
y geométrica mediante la incorporación de puntos de control en tierra (Base de Datos
“Global Land Surface 2005”), además del empleo de un modelo de elevación digital
(DEM) para la exactitud topográfica, así la precisión de la corrección geométrica del
producto, depende de la exactitud de los puntos de control y la resolución de la DEM
- 25 -
utilizado (SRTM en este caso). Por tanto, como ya tienen corrección geométrica estos
productos, no ha sido necesario hacer una georreferenciación.
Índices de vegetación
En el caso particular de la vegetación, su respuesta espectral diferencial en distintas
bandas reflectivas ha fundamentado el desarrollo de índices que permiten el monitoreo
del vigor y la salud de la vegetación (estado de estrés). Así los cambios en el
comportamiento reflectivos de este tipo de cubiertas son indicadores de su condición y
de esta manera, dichos índices brindan la posibilidad de estudiar los factores
ambientales que influyen en el estado de la vegetación de forma remota, como por
ejemplo la disponibilidad de agua y de nutrientes. A continuación se detallan los índices
utilizados.
NDVI
El índice de vegetación de diferencia normalizada o NDVI (Rouse et al. 1974) es uno
de los más empleados. Los valores del NDVI están en función de la energía absorbida o
reflejada por las plantas en diversas partes del espectro electromagnético. La respuesta
espectral que tiene la vegetación sana, muestra un claro contraste entre el espectro del
visible, especialmente la banda roja (Red), y el Infrarojo Cercano (NIR). Mientras que
en el visible, los pigmentos de la hoja absorben la mayor parte de la energía que reciben,
en el NIR, las paredes de las células de las hojas, que se encuentran llenas de agua,
reflejan la mayor cantidad de energía. En contraste, cuando la vegetación sufre algún
tipo de estrés, ya sea por presencia de plagas o por sequía, la cantidad de agua
disminuye en las paredes celulares por lo que la reflectividad disminuye el valor de NIR
y aumenta paralelamente en el rojo al tener menor absorción clorofílica. Esta diferencia
- 26 -
en la respuesta espectral permite separar con relativa facilidad la vegetación sana de
otras cubiertas, lo que se ve reflejado aplicando la siguiente fórmula:
NDVI 
 0.860   0.660
 0.860   0.660
La sencillez de cálculo, y disponer de un rango de variación fijo (entre –1 y +1), son sin
duda la razón de que este índice sea el más utilizado en teledetección. Diversos estudios
y publicaciones señalan que valores mayores que 0.1 indican presencia de vegetación, y
entre más alto sea el valor, las condiciones de vigor son mejores. Este índice presenta
como inconveniente que posee poca capacidad de minimizar la influencia del suelo y de
la atmósfera.
NDWI
El índice de diferencia normalizada de agua (normalized difference water index, NDWI)
permite evaluar el contenido de agua en la vegetación (Chen et al., 2006) y ha sido
usado en varios estudios (Stimson et al. 2005, Ito et al. 2007; Wu et al., 2009). Este
índice es más sensible a los cambios en el contenido de agua presente en la vegetación
además de ser menos sensible a los efectos de dispersión atmosférica. Para su
estimación se utiliza las bandas del infrarrojo cercano (NIR, 0.860) y el infrarrojo medio
(SWIR 1.6). Al igual que el NDVI este índice se expresa en la misma escala; en que el
valor 1, representa a un píxel saturado de agua. Su cálculo es simple y similar a NDVI,
en donde se reemplaza a la banda roja por la infraroja cercana (banda 6 en el satélite
Landsat 8).
- 27 -
NDWI 
 0.860  1.600
 0.860  1.600
Índice de estrés vegetal o TDVI
Índice de estrés vegetal o TDVI (Temperature Vegetation Dryness Index) fue propuesto
por Sandholt et al. (2002). Según el autor, este modelo está íntimamente relacionado a
la humedad superficial del suelo debido a los cambios en la inercia térmica y al control
de la evaporación y transpiración sobre la distribución de la radiación neta (balance de
energía).
Para una región determinada la relación entre la temperatura de superficie y el NDVI,
se caracteriza por una nube de puntos dispersos en donde los mayores valores de
temperatura se corresponden con los menores de NDVI. Esta nube puede tener forma
triangular o trapezoidal. Esta relación es frecuentemente caracterizada por dos rectas
que definen los extremos seco y húmedo del espacio. Para determinar los vértices del
trapecio generado en el espacio temperatura de superficie/NDVI se consideraron los
valores correspondientes a los percentiles del 0,05 y 0,95 de Ts correspondientes a
NDVI nulo y 0,8, rango que asegura cubrir todos los valores de vegetación (Ovando et
al., 2014). Estos puntos permitieron determinar las rectas de límite húmedo y seco. El
borde seco representa la tasa de evapotranspiración mínima (zonas secas), mientras que
el borde húmedo da su máximo valor (zonas sin restricción de agua). Ver Figura 7.
- 28 -
Figura 7: Esquema de la distribución de los valores de NDVI y Temperatura de superficie para la
obtención de la fórmula de TDVI basado en Moran et al., 1994.
La estimación de las pendientes de las rectas correspondiente a los límites secos y
húmedos, no siempre es sencilla, debido a la heterogeneidad de la superficie. Los
diferentes tipos de coberturas vegetales dan lugar a distintas pendientes y ordenadas al
origen para similares condiciones atmosféricas y de humedad edáfica superficial.
Establecidos los bordes o límites del triángulo o trapecio, es posible calcular el TVDI o
índice de sequedad para cada píxel, conociendo su posición en el espacio a través de sus
valores de Temperatura de superficie y NDVI. La fórmula es la siguiente:
donde Ts es la temperatura radiativa de brillo de la superficie observada en el píxel (K),
Tmax = .a NDVI + b y T.min = a' NDVI + b ' siendo a, a’, b y b’ las pendientes y
- 29 -
ordenadas al origen de las rectas que definen el borde seco y húmedo, respectivamente .
NDVI es el índice de diferencia normalizada de vegetación del pixel. A partir de esa
fórmula, se generan los mapas de TDVI para cada fecha. Dicho índice asume un valor
de 1 en el límite seco (limitada disponibilidad de agua) y 0 en el límite húmedo (sin
limitaciones de humedad). A partir de lo observado en la Figura 7 es posible decir que
para un valor mínimo de Ts corresponde la máxima disponibilidad de agua en el suelo
(máxima evaporación (Ev) y transpiración (T), y que para un valor máximo de Ts no
existirá disponibilidad de agua en el suelo (nula Ev y T).
Software utilizado
El procesamiento de las imágenes fue realizado en ENVI e IDL 4.8, desde la corrección
hasta la obtención de mapas de evapotranspiración e índices, incluyendo los pasos
intermedios.
Se analizó la evolución de cada índice a lo largo del periodo de estudio y se
correlacionaron sus valores con los estimados de evapotranspiración real producto de
los modelos semiempírico explicados en el próximo capítulo y con datos estimados in
situ.
Referencias
Allen R.G., Pereira L.S., Raes D., Smith M. 1998. Crop evapotranspirationGuidelines for computing crop water requirements-FAO. Irrigation and drainage. In:
Water Resources, Development and Management Service, Rome, Italy. Paper 56, pp.
323.
- 30 -
Brotzge J.A. and Crawford K.C. 2003. Examination of the surface energy
budget: a comparison of eddy correlation and Bowen ratio measurement systems. J.
Hydrometeorol. 4: 160–178.
Carmona F., Rivas R., Ocampo D. and Schirmbeck J. 2011. Sensors form the
measurement and validation of Hydrological variables at local and regional scales from
energy balance. Agua-Lac, 26– 36.
Castro Franco, M.; Peralta, N.R.; Domenech, M.; Costa, J.L. 2012. Relación
cuantitativa entre atributos topográficos y rendimiento. En: Libro de memorias 11º
Curso Internacional de Agricultura de Precisión y Expo de Máquinas Precisas.
Manfredi-Cordoba.
Cellier P. and Brunet Y. 1992: Flux-gradient relationships above tall plant
canopies, Agr. For. Meteorol., 58: 93-117.
Chujo H. 1966. The effect of diurnal variation of temperature on vernalization in
wheat. Proc. Crop Sci. Soc. Jap., 35: 187-194.
Chuvieco E . 2010. Teledetección Ambiental, 3ª edición revisada, Barcelona,
Editorial Ariel 2010 (3ª edición renovada Dugas et al., 1991).
Evans L.T., Wardlaw I.F. and Fischer R.A. 1975. Wheat. In L.T. Evans, ed.
Crop physiology, p. 101-149. Cambridge, UK, Cambridge University Press.
Hanft J.M. and Wych R.D. 1982. Visual indicators of physiological maturity of
hard red spring wheat. Crop Sci., 22: 584-587.
Huete A.R. 1988. A Soil-Adjusted Vegetation Index (SAVI). Remote Sensing of
Environment, 25: 295-309.
Kravchenko A. and Bullock D. 2000. Spatial variability; correlation of corn and
soybean grain yield with topography and soil properties. Agronomy Journal. 92 (1): 7583.
Leopold A.C. and Kriederman P. 1975. Flowering. In Plant growth and
development, p. 271-301. Washington, DC, Von Hoffmann Press.
Liang S. 2000. Narrowband to broadband conversions of land surface albedo I
algorithms. Remote Sensing of Environment 76: 213-238.
Mahrt L. 2000. Surface heterogeneity and vertical structure of the boundary
layer. Boundary- Layer . Layer Meteorol. 96: 33-62.
Monteith, J., and M. Unsworth. 2007. Principles of Environ- mental Physics.
Academic Press. Burlington, USA. 435 p.
Moran S., Clarke T., Inoue Y. and Vidal A. 1994. Estimating crop water deficit
using the relation between surface-air temperature and spectral vegetation index.
Remote Sensing of Environment. 46:246-263.
Olivieri V., Camps G., Boschi F., Ibarra M., Cassou S., Moure S y Sotelo E.
2012. Descripción de Variedades de trigo. Instituto Nacional de Semillas . Serie de
Divulgación Técnica N° 10. ISSN:1688-8758 .
Ovando G., Bocco M., Sayago S., y Willington E.2014. Evaluación del
contenido hídrico del suelo en la región central de Córdoba a partir de imágenes
Landsat. 6º Congreso Argentino de AgroInformática, CAI 2014
- 31 -
Peñuelas J., Fillela I., Gamon J. 1995. Assessment of photosynthetic radiationuse efficiency with spectral reflectance. New Phytologist 131: 291-296.
Polak G. 2011. Agricultura de precisión para la corrección de ambientes con
elevado valor de sodio intercambiable Trabajo final presentada para optar al título de
Especialista de la Universidad de Buenos Aires en Fertilidad de suelos y fertilización.
47 pp.
Rawson H.M. and Gomez Macpherson H. 2001. Trigo regado. Manejo del
cultivo. Organización de las naciones unidas y la alimentación (FAO). Roma
Rivas R.E. and Carmona F. 2011. Evapotranspiration in the Pampean Region
using field measurements and satellite data. Physics and Chemistry of the Earth 55: 2734.
Rouse J.W., Haas R.W., Schell J. A., Deering D.H. y Harían J.C. 1974.
Monitoring the vernal advancement andretrogadation (Greenwave effect) of natural
vegetation. Greenbelt, MD. USA, NASA/GSFCT
Sandholt I., Rasmussen K., Andersen J. 2002 . A simple interpretation of the
surface temperature/vegetation index space for assessment of surface moisture status.
Remote Sensing of Environment, 79(2-3): 213-224.
Silva P., Madariaga R., Acevedo E., y Matus I. 2011. criterios técnicos para el
manejo de Trigo Candeal. Registro de Propiedad Intelectual Nº 206.764 ISBN: 978956-19-0749-2
U.S Geological Survey. Landsat 8 (L8) Data Users Handbook. Retrieved from
http://landsat.usgs.gov/l8handbook.php . Visitado 2015,Octubre 6.
Webb E.K., Pearman, G.I. and Leuning, R., 1980. Correction of flux
measurements for density effects due to heat and water vapor transfer. Quart. J.R.
Meteorol. Soc. 106, 67–90.
Wolf A., Saliendra N., Akshalov K., Johnson D. A., and Laca E. 2008. Effects of
different eddy covariance correction schemes on energy balance closure and
comparisons with the modified Bowen ratio system. Agric. For. Meteorol. 148: 942952.
Wu C., Niu Z., Tang Q. & Huang W. 2009. Predicting vegetation water content
in wheat using normalized difference water indices derived from ground measurements.
Journal of Plant Research 122:317-326.
- 32 -
Capítulo 3
Modelos semiempírico: Aplicación de Sensores Remotos
Los modelos semiempírico conjugan conceptos como el del balance de energía
utilizando estimaciones de sensores remotos y datos meteorológicos. Las imágenes de
sensores remotos que se utilizaron, pertenecen a la serie de imágenes Landsat 8 TM,
correspondiente al período de crecimiento del cultivo. A partir de las imágenes libres de
nubes, se estimaron parámetros como albedo, temperatura de la superficie, emisividad
del aire y de la superficie terrestre, NDVI, fracción de la cobertura vegetal, necesarios
como input de los distintos modelos de estimación de evapotranspiración. Las
ecuaciones mencionadas en adelante se desarrollaron en IDL (ver anexo).
Para estimar la evapotranspiración, partimos de la ecuación de balance de energía (BE).
Dicha ecuación refiere a la forma en que se distribuye la radiación neta (Rn), es decir, la
energía neta disponible, para el desarrollo de los procesos en la superficie. La forma
simplificada de conceptualizar el BE (Seguin y Itier, 1983; Monteith y Unsworth,
1990), fue aplicada por diversos autores (Brutsaert, 1984; Rivas y Caselles, 2004; Rivas
y Ocampo, 2009, Carmona et al., 2011; Rivas y Carmona, 2013) de la siguiente forma:
Rn = λE + H + G
donde Rn corresponde a la radiación neta, λE al flujo de calor latente o la energía usada
en el proceso evapotranspiratorio, expresada en W m-2. H es la energía usada en el
calentamiento del aire en W m-2, denominado flujo de calor convectivo o sensible.
Finalmente, G es la energía usada en el calentamiento del suelo en W m-2, denominado
- 33 -
flujo de calor por conducción en el suelo. Este último parámetro es prácticamente
despreciable cuando se trabaja con superficies totalmente cubiertas de vegetación. Esta
ecuación se sustenta bajo la hipótesis de no existir advección y despreciando la energía
de fotosíntesis y otros procesos menores, por lo tanto, solo es aplicable a zonas extensas
de vegetación homogénea, como es el caso de un cultivo. En ella se asume el modelo de
una capa, donde se considera que la estructura de la vegetación a estudiar es única, sus
características permanecen constantes en toda su extensión y todos los intercambios se
dan entre ésta y la atmósfera (Sánchez Tomás, 2005). A continuación se analizaran cada
uno de los componentes de la ecuación.
Radiación neta
Se define como radiación neta (Rn), al intercambio neto entre el total de radiación de
onda corta y de onda larga que se recibe y que se emite o refleja en una superficie. Este,
es el balance entre la energía absorbida, reflejada y emitida por la superficie terrestre, o
bien, el balance entre la radiación neta entrante de onda corta y la radiación neta emitida
de onda larga. Normalmente, Rn es positiva durante el día y negativa durante la noche.
Su precisa estimación es de gran importancia, dado que es el parámetro de entrada en el
cálculo de la evapotranspiración y es la variable principal que controla variados
procesos físicos y biológicos a nivel de superficie (Rosenberg et al., 1983). En síntesis,
se define al Rn como:
Rn=RS↓ - RS↑+ RL↓ –RL↑
donde RS↓ - RS↑ es la radiación neta de onda corta, RL↓ - RL↑ es la radiación neta, o
absorbida, de onda larga, RS↓ es la radiación descendente de onda corta, RS↑ es la
radiación ascendente de onda corta, RL↓ es la radiación descendente de onda larga y R L↑
es la radiación ascendente de onda larga (Cristóbal et al. 2009) medidos en W m-2. Estas
- 34 -
componentes radiactivas se obtienen a campo, por medio del sensor de radiación neta de
cuatro componentes (CNR1).
Flujo de calor sensible y de calor latente
El flujo de calor sensible, H, es la transferencia hidrodinámica del calor del aire, sobre
todo por convección, entre la superficie del suelo y las capas de aire cercano a ella. Esta
transferencia ocurre fundamentalmente por la diferencia de temperatura entre la
superficie y la atmósfera. Por otro lado, el calor absorbido por unidad de masa de agua,
para el cambio de estado, se llama calor latente de evaporación, o LE (  E ), que se
asume equivalente a ET (Rivas & Carmona, 2011). El flujo de calor sensible y latente
son modelados generalmente por medio de un modelo de flujo unidimensional
sustentado en una ecuación análoga a la ley de Ohm (Monteith, 1973) a partir de:
H
C p
ra
T0  Ta 
E 
 C p  e0  ea 
  rv  ra 
donde ρ es la densidad del aire correspondiente a 1,185 g/l a 25°C, Cp es el calor
específico del aire a presión constante, equivalente a 0,24 cal/g.ºC. T0, es la temperatura
aerodinámica y Ta temperatura del aire. Ambos parámetros se miden a campo mediante
sensores. El parámetro e0 es la presión de vapor saturado de la superficie a la altura de
medida (hPa) y ea es la presión de vapor en la capa inferior de la atmósfera (hPa). La
altura del cultivo tiene su influencia en el término resistencia aerodinámica, ra, que se
puede calcular a partir de la ecuación de Penman-Monteith, la cual caracteriza la
transferencia turbulenta del vapor de agua hacia la atmósfera. rv corresponde a la
resistencia de la vegetación y γ es la constante psicrométrica γ = 0.067 kPa K-1 a nivel
del mar.
- 35 -
Radiación neta instantánea
Para calcular la radiación neta instantánea (Rni) de un área se incorporan datos de
satélite que permiten modelar las variaciones espaciales a través del albedo, la
proporción de vegetación y la temperatura de superficie a nivel de píxel. A escala
regional, es importante considerar que las imágenes de satélite proveen datos
instantáneos que se deben estimar a escala diaria. Por lo tanto, es necesario convertir los
valores instantáneos de Rn, a valores diarios. La estimación de Rni (en W m-2), se
calcula a partir de (Rivas & Caselles, 2004):
donde Rs↓i es la radiación solar al momento de captura de la imagen (en W m -2), α es el
albedo de la superficie,
la emisividad de superficie,
es la emisividad del aire, Ta es
la temperatura del aire medida in situ (°K) a 2 m de altura en el momento de la toma de
la imagen Landsat 8, TS es la temperatura de superficie (°K) y finalmente, σ es la
constante de Stefan-Boltzmann descripta a continuación:
Las variables α,
y TS se obtienen desde información de satélite, Rs↓i y Ta son es
registradas al momento de captura de la imagen Landsat 8, es este caso se usa los
- 36 -
valores promediados de los registrados entre las 10:00 y las 11:00 hs am del día del paso
del satélite, registrados por sensores en la estación meteorológica in situ.
Albedo
El albedo es una propiedad importante del balance de calor de superficie de la Tierra.
Una definición simple de albedo es el promedio de reflectancia del espectro del sol
(Teixeira et al., 2009) o dicho de otra forma, es el porcentaje de radiación que cualquier
superficie refleja respecto a la radiación que incide sobre la misma. El albedo está
controlado por el tipo de suelo, humedad de la superficie y cobertura de vegetación. La
radiación incidente también afecta la resistencia de los estomas a la transpiración, lo
cual afecta la manera en que se particiona la radiación neta en calor sensible y latente.
Por lo tanto, regula la apertura y cierre de los estomas. Los valores se encuentran en el
rango de 0 a 1 y puede variar dependiendo de la cobertura de la Tierra. Por ejemplo la
nieve tendría valores altos mientras que los bosques de coníferas presentarían valores
bajos. Liang (2000) desarrolló una serie de algoritmos para el cálculo de albedo para
diversos sensores/satélites. La fórmula para la estimación de este parámetro con Landsat
fue normalizada por Smith (2010) y se presenta a continuación.
   i  27
Re fi * Si * i
Si * i
Donde Re fi , son cada banda i de la imagen Landsat 8 en valores de reflectancia. Si, es
la constante de irradiancia solar y i , es el rango que abarca cada banda
- 37 -
Emisividad de superficie
Por otro lado, la emisividad de superficie (  s ) se calcula de la siguiente manera según
Valor y Caselles (1996):
 s   v  Fr   so (1  Fr )
Donde,  v corresponde a la emisividad de le vegetacion,  so es la emisividad del suelo
y la Fr es igual a la fracción de la cobertura de la vegetación. Esta última variable se
calcula a partir de los valores de NDVI, según la fórmula propuesta Carlson y Ripley
(1997):
 NDVI  NDV Im in 
Fr  

 NDV Im ax  NDV Im in 
2
A partir de las estadísticas básicas de cada imagen, se obtuvieron los valores máximos
y mínimos de la misma, utilizados en el cálculo de Fr. Correspondiendo los valores de
NDV Im in , a suelo desnudo o de baja cobertura y los valores de NDV Im ax a suelos de
con alta cobertura de vegetación y alto vigor.
- 38 -
Emisividad del aire
La emisividad del aire (
ha sido calculada a partir de la temperatura del aire (Ta)
medida a campo (Brutsaert, 1984, citado por Rivas et al., 2013):
Radiación neta diaria
Para conocer el promedio de la radiación neta diaria (Rnd) a partir de la radiación neta
instantánea (Rni) medida por teledetección, existen varias metodologías. Seguin & Itier
(1983) calcularon el cociente Ci = Rnd/Rni con datos medidos durante tres periodos
estivales en un área experimental en Avignon, Francia. Asumiendo que dicha razón se
mantenía constante a lo largo de todo el año, para obtener Rnd aplicaron dicho factor a
los datos de Rni obtenidos diariamente en un rango horario cercano al mediodía.
De esta forma, se obtendrá un mapa de radiación neta diaria que utilizaremos para el
cálculo de evapotranspiración diaria (Led) propuesto por Seguin y Itier (1983), donde se
combina los datos de los sensores a campo con los obtenidos mediante sensores
remotos. La fórmula es la siguiente:
Led= Rnd + A – B (Tsi-Tai)
- 39 -
Donde Rnd es la radiación neta diaria, A y B son coeficientes empíricos obtenidos para
el área de estudio. Estos se obtienen a partir de la regresión lineal entre (LEd - Rnd) y
(Ts - Ta) medidos localmente para ambas parcelas de estudio y asumiendo una
superficie homogénea (Wassenaar et al., 2002). Led fue estimado a campo por la torre
de flujo. Y finalmente, Tsi y Tai son, respectivamente, la temperatura de la superficie y
del aire instantáneas. A continuación un diagrama que sintetiza la metodología utilizada
en la tesis (Figura 8):
Figura 8: Diagrama síntesis de desarrollo del modelo semiempírico .
- 40 -
Referencias
Allen R.G., Pereira L.S., Raes D. and Smith M. 1998. Crop evapotranspirationGuidelines for computing crop water requirements-FAO. Irrigation and drainage. In:
Water Resources, Development and Management Service, Rome, Italy. Paper 56, pp.
323.
Álvarez C. y Cayssials R. 1979. Aptitud de uso pastoril de los suelos de
Uruguay. Bol. Téc. Nº 2 Ministerio de Agricultura y Pesca , Direccion de Suelos y
Fertilizantes. Montevideo
Baker C.K. and Gallagher J.N. 1983. The development of winter wheat in the
field. The control of primordium initiation rate by temperature and photoperiod. J.
Agric. Sci., 101: 337-344.
Brutsaert W. 1984. Evaporation into the atmosphere. Theory, history, and
applications. Reidel Publishing Company, Dordrecht, Holland, 1984, 299 p.
Carlson T. N.and Ripley D. A. 1997 On the relation between NDVI, fractional
vegetation cover, and leaf area index, Remote Sens. Environ. 62: 241-252.
Carmona F, R. Rivas D. Ocampo J.and Schirmbeck, M. H. 2011. Sensors form
the measurement and validation of Hydrological variables at local and regional scales
from energy balance. Agua-Lac,3: 26– 36
Chujo H. 1966. The effect of diurnal variation of temperature on vernalisation in
wheat. Proc. Crop Sci. Soc. Jap., 35: 187-194.
Clarke F.R., Clarke J.M., and Knox R.E. 2002. Inheritance of stem solidness in
eight durum wheat crosses. Can. J. Plant Sci., 82: 661-664.
Cristóbal J., Jiménez-Muñoz J. C.; Sobrino J. A.; Ninyerola M. and Pons X.
2009. Improvements in land surface temperature retrieval from the landsat series
thermal band using water vapour and air temperature. J. Geophys. Res. (en prensa).
Evans L.T., Wardlaw I.F. and Fischer R.A. 1975. Wheat. In L.T. Evans, ed.
Crop physiology, p. 101-149. Cambridge, UK, Cambridge University Press.
Hanft J.M. and Wych R.D. 1982. Visual indicators of physiological maturity of
hard red spring wheat. Crop Sci., 22: 584-587.
Jones J.W., Keating B.A., and Porter C.H. 2001. Approaches to modular model
development. Agricultural Systems 70:421–443.
Jones JW, Hoogenboom G., Porter C.H., Boote K.J., Batchelor W.D., Hunt
L.A., Wilkens P.W., Singh U., Gijsman A.J. and Ritchie J.T. 2003. The DSSAT
cropping system model .Europ. J. Agronomy 18 : 235- 265
Leopold A.C. and Kriederman, P. 1975. Flowering. In Plant growth and
development, p. 271-301. Washington, DC, Von Hoffmann Press.
Liang S. 2000. Narrowband to broadband conversions of land surface albedo I
algorithms. Remote Sensing of Environment 76: 213-238.
- 41 -
Longnecker N., Kirby E.J.M. and Robson A. 1993. Leaf emergence, tiller
growth, and apical development of nitrogen-deficient spring wheat. Crop Sci., 33: 154160.
Monteith, J. L. 1973. Principles of Environmental Physics, London, Edward Arnold.
Pazmiño Bonilla G. 2013. Determinación del perfil de la harina de trigo tipo
panadera elaborada en molinos cordillera. Tesis de Ingeniería de Alimentos.
Universidad Tecnológica Equinoccial . Quito, Ecuador.
Rivas R. and Caselles V. 2004. A simplified equation to estimate spatial
reference evaporation from remote sensing-based surface temperature and local
meteorological data. Remote Sensing of Environment 93: 68–76.
Rivas R., Ocampo D. y Carmona F. 2011. Modelo de predicción de rendimiento
de trigo a partir de NDVI: aplicación en el contexto de la agricultura de precisión. Anais
XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de
abril a 05 de maio de 2011, INPE p.0584
Rivas R.E and Carmona F. 2011. Evapotranspiration in the Pampean Region
using field measurements and satellite data. Physics and Chemistry of the Earth 55:
27:34
Rivas R.E. y Ocampo D. 2009. Comportamiento del balance de energía en un
cultivo de Avena sativa L Estudios en la Zona no Saturada del Suelo. Vol IX, O. Silva
et al. Barcelona.
Rosenberg N. J., Blad B. L. and Verma S. B., 1983. Microclimate - The
biological environment, Wiley, New York.
Sánchez Tomás J. M. 2005. Estimación de la Evapotranspiración en Áreas de
cobertura parcial: Aplicación a zonas FIFE y SIFLEX. Universitat de Valencia, Facultat
de Física- Departamento de Termodinámica. 3-15.
Seguin B. and Itier B. 1983. Using midday surface temperature to estimate daily
evaporation from satellite thermal IR data. Int. J. Remote Sens., , 4: 371- 383.
Smith, R.B. 2010. The heat budget of the earth’s surface deduced from space
available on http://www.yale.edu/ceo/Documentation/ceo_faq.html
Teixeira A. H. de C., Bastiaanssen W. G. M, Ahmad MudD, Bos, M. G. .2009.
Reviewing SEBAL input parameters for assessing evapotranspiration and water
productivity for the Low-Middle São Francisco River basin, Brazil Part A: Calibration
and validation," Agric. For. Meteorol. 149, 462-476.
Valor E., and Caselles, V. 1996. Mapping land surface emissivity from NDVI.
Application to European, African and South-American areas. Remote Sensing of
Environment, 57, 167-184.
Wassenaar T.; Olioso, A. Hasager, C. and Jacob F. 2002. Estimation of
evapotranspiration on heterogeneous pixels. Recent Advances in Quantitative Remote
Sensing. Universitat de València, España, 2002: 458-465
- 42 -
Capítulo 4
Resultados
1- Registros diarios de la Torre de flujo
La torre de flujo LI-7500 situada sobre el ambiente A, registra cada 30 minutos,
distintos parámetros ambientales sobre el cultivo. En el siguiente gráfico (Figura 9)
observamos la dinámica de la radiación neta instantánea, evapotranspiración real y
temperatura de superficie a partir de los datos tomados por los sensores de la torre de
flujo durante las horas de luz solar (de 8 a 18 hs) en los días donde se obtuvieron
imágenes satelitales libre de nubes. Estos gráficos reflejan indirectamente la dinámica
diaria del cultivo, su estado fenológico, la etapa de desarrollo y fisiología de las plantas
y su relación con el ambiente. En el período más temprano del estudio, 15 días
posteriores a la siembra (07-06-2013), donde la cobertura vegetal es escasa y domina el
suelo desnudo, y la radiación, la temperatura y la evapotranspiración presentan valores
bajos. Posiblemente en este período, la perdida de agua correspondiente a la
evapotranspiración, este más afectada por la vaporización de agua del suelo que la
transpiración de la planta. Entre agosto y octubre (10-08-2013 al 27-10-2013) vemos
una estrecha relación entre los patrones de radiación y evapotranspiración. Ambos
parámetros son máximos entre las 12 y 14 hs. Esta etapa de desarrollo del cultivo
correspondería entre espigazón y post floración, donde la cobertura vegetal esta
fotosintéticamente activa y es máxima. El último período (14-11-2013), representa la
madurez fisiológica del cultivo, donde la radiación y la temperatura son elevadas,
característica del mes de noviembre y la evapotranspiración es mínima, correspondiente
a un cultivo senescente en estado de madurez, previo a la cosecha.
- 43 -
Los valores elevados de evapotranspiración correspondiente al 10 de agosto y 27 de
octubre coinciden con una caída de aproximadamente 30 mm de lluvia en los días
previos (hasta 4 días previos). Al ser suelos poco profundos, el agua está disponible para
ser aprovechada por las plantas o evaporada rápidamente.
7/6/2013 (dj 158)
25/7/2013(dj 206)
10/8/2013(dj 222)
11/9/2013(dj 270)
27/10/2013(dj 302)
14/11/2013(dj 318)
Figura 9: Comportamiento de la evapotranspiración, radiación neta instantánea y temperatura diaria para
las seis fechas correspondientes a las imágenes obtenidas en el estudio. dj (día Juliano )
- 44 -
2-Estimación de la evapotranspiración real a partir de modelo
semiempírico
a-Determinación del coeficiente C para estimar la Radiación neta
diaria
A partir de los datos arrojados por el sensor LI-7500, se obtuvo información
representativa de los valores de Rnd (radiación neta diaria) y Rni de 10-11 (radiación
neta instantánea entre las 10 y 11 hs) del período de estudio. Estos datos corresponden a
días despejados y sin valores extremos de velocidad del viento, un total de 70 días. Para
los valores diarios se consideró el período diurno entre las 10 hasta las 17 hs. Se observa
a lo largo del ciclo del cultivo, que los valores diarios son menores que el instantáneo,
como también el comportamiento creciente característico de los datos en el lapso
observado (Figura 10), mostrando valores mayores al final del período (mes de
noviembre, a partir del día juliano 305).
Figura 10: Valores de Rnd (negro) y Rni 10-11 (grises) medidos en la estación de balance de energía en
función del día juliano para el periodo considerado. Los valores están en W/m2
- 45 -
El siguiente gráfico (Figura 11), representa la relación entre la radiación neta diaria
(Rnd) y la radiación instantánea de la hora de pasada del satélite Landsat 8 por el área
de estudio (Rni 10-11). La relación entre las dos variables es lineal, mostrando un ajuste
alto (r2=0.98).
Figura 11: Relación entre la radiación neta diaria y la radiación instantánea ( en W/m2 )
Para estimar los valores de Radiación neta diaria a partir de la instantánea, se aplicó la
ecuación propuesta por Sobrino y col. (2007), utilizando las medidas del radiómetro
medidos a campo. El valor de C es de 0.85.
Como se estableció en el capítulo 3, la estimación de la radiación neta diaria a partir del
modelo semiempírico consiste en una serie de pasos que conlleva la conjugación de
elementos obtenidos mediante imágenes satelitales y variables tomadas a campo por los
sensores. La estimación de la fracción de la vegetación, nos permite obtener la
Emisividad de la superficial. Esta última variable junto con la Temperatura de Brillo, y
el albedo, son estimaciones necesarias para estimar la radiación neta instantánea.
- 46 -
Finalmente, para obtener la imagen de Rnd, multiplicamos la imagen de Rni y el
coeficiente C obtenido recientemente.
b- Estimación de los coeficientes A y B a partir de la relación entre la
diferencia entre Led yRnd y la diferencia entre la temperatura de
superficie y aire
A partir de los valores de la LEd (evapotranspiración diaria) estimados de forma directa
por covariancia de torbellinos, las medidas de Rnd (radiación neta diaria), Temperatura
de superficie (T sup, medida in situ por el sensor CG3down) y Temperatura del aire
(Ta), se generó una recta de regresión simple entre las diferencias entre los dos primeros
y los dos últimos. La recta de regresión muestra valores de A de -82 (W m-2) y B de -40
(W m-2 ºC-1), correspondiente a la pendiente y la ordenada al origen. El ajuste de la
regresión lineal mostro valores de r2 es igual a 0,80, considerando 27 días de muestras
(Figura 12).
Figura 12: Modelo de regresión simple de la diferencia entre la evapotranspiración diaria y la radiación
diaria, en función de la diferencia de temperatura de la superficie y el aire
- 47 -
Resumiendo, a partir de estos coeficientes, el mapa de temperatura y de Rnd, se calcula
la evapotranspiración diaria con imágenes Landsat 8. El siguiente gráfico (Figura 13),
ilustra el transcurso realizado a partir de las bandas corregidas de Landsat 8 hasta la
obtención de la evapotranspiración real diaria, aplicando las formulas explicadas en el
capítulo 3. A modo ilustrativo, se tomó como ejemplo la fecha 29 de octubre del 2013.
Figura 13: Diagrama síntesis de la estimación de evapotranspiración diaria a partir del modelo
semiempírico
- 48 -
Para un mejor ajuste de la estimación de la evapotranspiración, se corrigió la
temperatura de brillo de cada fecha, con datos tomados a campo en el mismo horario.
La correlación entre los datos de evapotranspiración real medidos por la torre y los
datos estimados a partir del modelo semiempírico es de 0.76 en el ambiente A y de 0.64
para el ambiente B. Se observa que las tres líneas siguen el mismo patrón (Figura 14) en
la dinámica de la evapotranspiración. En la figura 15, se observa la evolución de la
evapotranspiración estimada en el área durante el período de estudio.
Figura 14: Variación temporal de las estimaciones de evapotranspiración para cada ambiente mediante
modelo semiempírico y valores de evapotranspiración reales (Torre-eddy covariance)
- 49 -
7/6/2013
25/7/2013
10/8/2013
11/9/2013
27/10/2013
14/11/2013
Figura 15: Estimación de la evapotranspiración real mediante modelo semiempírico ajustado para Landsat
8.
3-Análisis temporal de los índices de vegetación
Los índices de vegetación nos muestran indirectamente el estado de la vegetación en
cada etapa del desarrollo fenológico del trigo. En líneas generales los índices NDVI y
NDWI, muestran patrones similares. El NDVI (Figura 16) resultante de la combinación
de reflectancia de bandas espectrales de infrarrojo cercano y rojo, muestra el vigor del
cultivo a lo largo de su ciclo. Los valores iniciales de estos índices son bajos en la etapa
temprana de poca cobertura, se vuelve máximo entre los meses de agosto y septiembre y
- 50 -
vuelve a caer en octubre, periodo posterior a la floración. El NDWI (Figura 17),
resultante de la combinación de reflectancia de bandas espectrales de infrarrojo medio y
el infrarrojo cercano, realza la contribución de la humedad de la planta en función de la
respuesta espectral de una superficie, también mostrando valores máximos entre los
meses agosto y septiembre .A continuación se observa la evolución de cada índice en el
área a lo largo del periodo de estudio:
7/6/2013
25/7/2013
10/8/2013
11/9/2013
27/10/2013
14/11/2013
Figura 16: Variación temporal del NDVI
- 51 -
7/6/2013
25/7/2013
10/8/2013
0110/9/2013
27/10/2013
14/11/2013
Figura 17: Variación temporal del NDWI
Relación temperatura y NDVI para la obtención del índice TDVI
La Tabla siguiente (Tabla 3), muestra las constantes de los modelos de regresión
generados a partir del límite seco, donde se extraen los parámetros a (ordenada al
origen) y b (pendiente) para las ecuaciones de TDVI. Los meses analizados muestran
- 52 -
fuertes relaciones lineales negativas entre Temperatura de superficie (Ts) y el NDVI,
con coeficientes de determinación que varían en el rango de 0.88 a 0.91.
Tabla 3. Ecuaciones de los límites secos para las imágenes consideradas
fecha
r2
modelo
07/06/2013
Tsup=286.8-3.64*NDVI
0.91
25/07/2013
Tsup=283.9-2.4*NDVI
0.82
10/08/2013
Tsup=289.6-8.7*NDVI
0.85
11/09/2013
Tsup=304.21-10.48*NDVI
0.90
27/10/2013
Tsup=310.50-14.37*NDVI
0.89
14/11/2013
Tsup=315.82-12.51*NDVI
0.88
En el límite húmedo, donde se relaciona la variación de los pixeles de NDVI con la
temperatura más bajas (Tabla 4), mostró valores de pendiente bajos en relación al límite
seco. Los coeficientes de determinación varían en el rango de 0.02 a 0.84. El la Figura
20, se puede observar los gráfico de regresión lineal para ambos limites, secos y
húmedos.
Tabla 4. Ecuaciones de los límites húmedos para las imágenes consideradas
fecha
modelo
r2
07/06/2013
Tsup=282.69-1.254*NDVI
0.62
25/07/2013
Tsup=280.70-0.31*NDVI
0.51
10/08/2013
Tsup=282.11+1.25*NDVI
0.66
11/09/2013
Tsup=295.35-7.53*NDVI
0.84
27/10/2013
Tsup=299.711-5.58*NDVI
0.74
14/11/2013
Tsup=305.27-6.60*NDVI
0.8
- 53 -
Figura 18: Gráfico de regresión lineal de los límites secos y húmedos para cada fecha considerada
- 54 -
Imágenes TDVI
A partir de los modelos estimados (modelos de regresión de limite húmedo y seco), se
generó la ecuación de TDVI para cada fecha. Los valores continuos de dicho índice
fueron clasificados en intervalos de 0,2 con el fin de describir los niveles de humedad
disponible en el suelo y el estrés de la vegetación. Como mencionamos, los valores más
cercanos a 0, indican un píxel muy húmedo y vegetación sin estrés y un valor cercano a
1 evidencian un píxel muy seco con vegetación estresada. La evolución espaciotemporal de la humedad del suelo-planta de junio a noviembre del 2013 en el cultivo de
trigo se observa en la Figura19. Durante este periodo, las precipitaciones fueron
variables.
Tabla 5: Precipitaciones acumuladas entre fechas de imágenes analizadas
desde
hasta
Días en
el periodo
Lluvia caída en el periodo
(mm)
07/06/2013
25/07/2013
47
34
25/07/2013
10/08/2013
16
14
10/08/2013
11/09/2013
32
12
11/09/2013
27/10/2013
46
119
27/10/2013
14/11/2013
16
109
Sumatoria de lluvias caídas en el periodo
Sumatoria de valores medios mensuales de
lluvias en el periodo (servicio meteorológico
de Uruguay datos históricos de 30 años)
- 55 -
288
473
07/06/2013
25/07/2013
10/08/2013
11/09/2013
27/10/2013
14/11/2013
Figura 19: Evolución del TDVI
El lapso de tiempo entre el 11de septiembre al 27 de octubre, es de especial importancia
ya que corresponde con la etapa de llenado de granos, por lo cual las condiciones
ambientales, ya sea de exceso o déficit de humedad durante esta etapa, es clave para el
- 56 -
rendimiento del trigo. Se observa en el mapa que en esos meses los valores van de
normal a seco. El periodo de análisis coincide con que los valores de precipitaciones
fueron de 185 mm por debajo de la media histórica para el periodo.
Análisis de evapotranspiración real calculada e índices de vegetación.
La tabla 6, muestra los coeficientes de correlación entre los índices de vegetación y los
valores de evapotranspiración estimada y medida a campo. El TDVI, fue el índice que
mejor evidenció la relación con la evapotranspiración real estimada mediante método
semiempírico con sensores en ambos ambientes, con valores de correlación superiores a
0.85. Si bien los otros índices no mostraron una relación estrecha con los valores de
evapotranspiración real estimados, si se halló correlación alta entre el NDWI y los
valores reales medidos a campo con la torre de flujo. También el TDVI mostró alta
correlación con dicha variable. La evolución temporal de cada índice se observa en las
figuras 20 y 21.
Tabla 6: Correlación de Pearson entre los valores de índice de vegetación y los ambientes A y B
NDVI
NDWI
TDVI
E. real estimada
ambiente A
0.12
0.30
0.85
E.real estimada
ambiente B
0.07
0.25
0.92
- 57 -
E. real medida
ambiente A
0.64
0.75
0.73
Figura 20: Dinámica del NDVI, NDWI, TDVI y Evapotranspiración real medida a campo (Led) en el
ambiente A.
Figura 21: Dinámica del NDVI, NDWI, TDVI y Evapotranspiración real medida a campo (Led) en el
ambiente B
- 58 -
Futuras consideraciones
La carencia de equipos de medición de variables meteorológicas y radiómetros a campo
es un problema a la hora de aplicar estos modelos semiempírico que dependen de
parámetros de entrada como son la temperatura del aire y la radiación incidente de onda
corta. Por este motivo, a modo experimental, desde CONAE, se proveyó de datos de
Radiación incidente de onda corta y la temperatura del aire provenientes de
simulaciones de los modelos del WRF (Weather Research and Forecasting Model). Los
datos tienen una resolución espacial aproximada de 5 Km. Se remplazó los valores de
Radiación incidente de onda corta y temperatura del aire en la fórmula antes descripta
para la obtención de la evapotranspiración real. El resultado se observa a continuación
(Figura 22).
7/6/2013
25/7/2013
10/8/2013
11/9/2013
27/10/2013
14/11/2013
Figura 22: Evolución de la evapotranspiración real a partir de modelo semiempírico utilizando datos
simulados del WRF
- 59 -
Considerando el modelo propuesto, el reemplazo de las variables tomadas por los
equipos a campo (Radiación incidente de onda corta y Temperatura) por los datos de
simulaciones de los modelos del WRF, mostraron algunas diferencias significativas con
las imágenes resultantes en la Figura 15. Se obtuvieron mapas donde se evidenciaron
subestimación (10/8) y sobrestimación (7/6- 11/9 -27/10) de la evapotranspiración real.
Sin embargo, las fechas del 25/7 y la del 14/11 correspondiente al fin del ciclo cultivo,
presentaron una alta similitud con los mapas generados con datos de campo.
Discusión
La adecuada formulación y parametrización de la evapotranspiración real es necesarias
para conocer el balance hídrico del cultivo en la región más productiva del Uruguay. La
aplicación del modelo semiempírico de Seguin e Itier (1983) durante el ciclo de cultivo
del trigo, nos permite monitorear el balance hídrico y evaluar posibles escenarios de
estrés de la vegetación que repercuten directamente en el rendimiento. Al presente, no
existen antecedentes de la utilización del satélite Landsat 8 para dicha estimación, ni la
aplicación de este modelo en la región mencionada, ni en este cultivo en particular.
Los datos de la torre de flujo permiten observar la variación instantánea de la
evapotranspiración real en un cultivo, como de las variables que la influyen.
Principalmente los datos que genera la torre son útiles para validación de modelos de
estimación a un nivel regional. Debido a la importancia de la temática, son muy
numerosos los estudios, donde proponen modelos, herramientas y recursos para llegar a
este fin (Sobrino et al., 2007; Rivas & Carmona 2011). En este estudio, se encontró alta
correlación del 0.76 para el área donde se encontraba situada la torre de flujo, y el
análisis a la resolución espacial de 30 metros, resulta adecuada para analizar la
- 60 -
heterogeneidad del ambiente en el cultivo de trigo. El mismo modelo fue ajustado en
cultivos de soja y pastizales en el centro de Argentina, también con alto ajuste (Rivas &
Carmona 2011).
A partir de la aplicación de la metodología empleada en Imágenes Landsat 8, se analizó
la variación espacio-temporal de la evapotranspiración real en el cultivo de trigo para el
periodo de estudio, desde el 7 de junio al 11 de noviembre del 2013, considerando
cuatro fechas intermedias. Los valores estimados se encontraron en el rango entre 0.2 a
5.8 mm diarios. Los valores mínimos se encontraron al inicio del periodo de estudio,
cuando la cobertura vegetal era escasa y las temperatura y radiación era bajas. Al
contrario, los valores máximos de evapotranspiración fueron los correspondientes al 27
de octubre, cuando la cobertura vegetal era máxima y se encontraba en estado de
antesis, junto con un incremento de la radiación y de la temperatura. La reducción de la
evapotranspiración en la siguiente fecha, corresponde a la madurez fisiológica del
cultivo, donde las plantas muestran mayor senescencia y posiblemente las altas
temperaturas generen una disminución de la humedad del suelo.
Complementariamente, se han correlacionado, tanto los valores de evapotranspiración
medidos a campo y estimados por satélite, con índices de vegetación que permiten
entrever el estrés hídrico de una forma más rápida. Los resultados de la comparación
muestran una alta ventaja del TDVI, frente al resto de los índices calculados en lo que
respecta con la correlación con la variable de evapotranspiración estimada. Este índice
ha sido muy utilizado en distintas regiones del mundo, mostrado buenas consistencia
para la estimación de estrés hídrico (Schirmbeck y Rivas, 2007; Vásquez et al., 2008;
Houspanossian et al., 2008; Venturini y Rivas, 2010). La diferencia en la respuesta de
este índice frente a los otros analizados, podría deberse a que, índices como el NDVI,
por si solos, son indicadores conservativos del estrés hídrico ya que la vegetación
puede permanece verde aún después de comenzado un período de sequía (García
Galiano, 2012). El TDVI, aparte del NDVI, incorpora la banda térmica, que da cuenta
de la parte física, química y los procesos biológicos del suelo (Becker y Li, 1990) e
- 61 -
incrementa rápidamente su valor con la presencia de estrés hídrico (Sandholt et al.,
2002).
Cabe destacar la alta correlación que se encontró entre el NDWI y los datos relevados a
campo de evapotranspiración real. Esta relación también fue encontrada por otros
autores (Gao, 1996, Nertan et al, 2013). Jackson, et al. (2004) demostró que NDWI es
superior al NDVI al analizar mapas de contenido de agua en cultivos de maíz y soja. Yi,
et al. (2007) también corroboró el uso de NDWI para el trigo de invierno, y concluyó
que el NDWI se puede utilizar como un indicador de la deficiencia de agua en los
agroecositemas. También, Chen et al. (2005) encontraron que NDWI fue el mejor índice
para estimar el contenido de agua de maíz, sin embargo su equipo de trabajo no
encontró alta correlación con otros cultivos como la soja.
Por otro lado, Jovanovic et al. 2014, evaluaron a partir de correlaciones cruzadas, la
relación entre el NDWI con las precipitaciones caídas y con el contenido de agua en
suelo en 3 profundidades distintas en una Reserva Forestal de Sudáfrica. Su estudio
indico correlaciones mayores entre el agua del suelo y el NDWI que la relación entre el
índice y las precipitaciones caídas. De las tres profundidades analizadas, la más
superficial fue la que mejor correlaciona con el Índice, y se entiende porque es allí
donde se encuentra la mayor cantidad de raíces de las plantas. Si bien los sistemas
naturales responden distintos que los agroecosistemas, ya que en los primeros las
distintas especies presentan estrategia diferentes para la toma de agua a distintas
profundidades, es interesante corroborar que este índice está asociado a la
disponibilidad efectiva del agua que se encuentra en la capa más superficial del suelo,
porque es allí, donde las raíces de la población de trigo explota este recurso.
Para concluir, los resultados obtenidos en este capítulo brindan un modelo de
estimación de evapotranspiración real específico para el cultivo de trigo, y escasamente
explorada para la región, lo que nos permite obtener un monitoreo integrado de la
condición hídrica del sistema suelo-planta-agua en forma espacialmente distribuida. A
- 62 -
partir de este modelo de estimación y su alta correlación con índices, se procura brindar
una herramienta potencialmente aplicable en agricultura de precisión, para un óptimo
manejo del agua. Además, se recomienda la incorporación del TVDI y del NDWI como
parte integrante de sistemas de soporte de decisión, por su alta correlación a campo y
porque su estimación solo requiere de datos captados desde satélites.
Referencias
Becker F., and Li Z. L. 1990. Towards a local split window method over land
surfaces. International Journal of Remote Sensing, 11(3): 369-393.
Chen D., Huang J. and Jackson T.J. 2005. Vegetation water content estimation
for corn and soybeans using spectral indices derived from MODIS near- and short-wave
infrared bands. Remote Sens. Environ. 98 (2–3): 225–236.
Gao B.C. 1996. NDWI - A normalized difference water index for remote sensing
of vegetation liquid water from space. Remote Sensing of Environment 58(3): 257–
266.
García Galiano S.G. 2012. Assessment of vegetation indexes from remote
sensing: theoretical basis. En: Erena M. (coord.), López-Francos A. (coord.),
Montesinos S. (coord.), Berthoumieu J.-P. (coord.). The use of remote sensing and
geographic information systems for irrigation management in Southwest Europe.
Zaragoza: CIHEAM / IMIDA / SUDOE Interreg IVB (EU-ERD F), pp. 65-75
Houspanossian J. Rivas R. y Vazquez, P. 2008. La Humedad del Suelo
Cultivado con Maíz y la Relación con la Temperatura Radiativa de su Cubierta Vegetal.
Revista Ciencia. 3(6): 65-74. exactas.unca.edu.ar/ revista/v70/pdf/RevCiencia7-5.pdf
Jackson T., Chenb D., Cosha M., Lia F., Anderson M., Walthall C., Doriaswamy
P. and Hunt E.R. 2004. Vegetation water content mapping using Landsat data derived
normalized difference water index for corn and soybeans .Remote Sensing of
Environment 92: 475 – 482.
Jovanovic N., Garcia C.L.; Bugan R.D. H. Teich, I. and Garcia Rodríguez C.M.
2014. Validation of remotely-sensed evapotranspiration and NDWI using ground
measurements at Riverlands, South Africa. Water SA, 40(2) : 211-220
Nertan A.T., M. Panaitescu M., Stancalie G.H., Irimescu A., Flueraru C. and
Panaitescu V. 2013. Analysis of drought phenomenon using remote sensing data in
Romania. Recent Advances in Energy, Environment, Economics and Technological
Innovation Analysis 204-213.
- 63 -
Rivas R.E. and Carmona F. 2011. Evapotranspiration in the Pampean Region
using field measurements and satellite data. Physics and Chemistry of the Earth 55:2734.
Sandholt I., Rasmussen K. and Andersen J. 2002. A simple interpretation of the
surface temperature/vegetation index space for assessment of surface moisture status.
Remote Sens. Environ. 79 (2-3): 213–224.
Schirmbeck J. y Rivas R. 2007. Comportamiento de los términos del balance de
energía en una pastura”. En: Rivas Raúl, Grisotto Alfredo., Sacido Mónica (eds).
Teledetección: hacia un mejor entendimiento de la dinámica global y regional., pp. 317322. Mar del Plata, Argentina. Editorial Martín. 489 pp.
Seguin B. and Itier B. 1983.Using midday surface temperature to estimate daily
evaporation from satellite thermal IR data. Int. J. Remote Sens. 4: 371- 383.
Sobrino J.A., Gómez, M., Jiménez-Muñoz, J.C. and Olioso, A., 2007.
Application of a simple algorithm to estimate daily evapotranspiration from NOAAAVHRR images for the Iberian Peninsula. Remote Sensing of Environment 110 (2):
139-148.
Vazquez P.; Rivas R. y Usunoff E. 2008. Análisis Multitemporal de la
Disponibilidad de Agua en el Suelo a Partir de Datos de Satélite. Revista Ciencia 3 (3):
47-58.
Venturini V. and Rivas R. 2010. Preliminary results for the future Application
to the knowledge of vegetation water stress. En: 6th Aquarius/SAC-D Science Meeting.
NASA-CONAE (eds). EEUU: Seattle-WA.
Yi Y.H., Yang D.W., Chen D.Y. and Huang J.F. 2007. Retrieving crop
physiological parameters and assessing water deficiency using MODIS data during the
winter wheat growing period. Canadian Journal of Remote Sensing 33(3): 189-202.
- 64 -
Capítulo 5
Método indirecto: Modelo de simulación de cultivo
Un modelo se define como una representación simplificada de la realidad. Estos asumen
diferente grado de complejidad en la simulación de un sistema, dependiendo de los
objetivos. Su gran utilidad no solo es reproducir la realidad, sino permiten que los
procesos más importantes sean identificados, estudiados y pronosticados (Steduto et al.,
2006). Los sistemas de cultivos son complejas interacciones de varios procesos y un
modelo debe incluir tanto los procesos internos como las interacciones genéticofisológico-ambientales, con una integración interdisciplinaria, a fin de
lograr los
objetivos propuestos y simular crecimiento, desarrollo y rendimiento de distintos
cultivos (Dourado-Neto et al., 1998, Jones et al., 2003).
Por lo tanto, los modelos de cultivo, simulan sistemas complejos donde existen
múltiples relaciones entre el ambiente y las características del genotipo. En una planta,
el crecimiento es caracterizado por los procesos de captura y uso de radiación solar,
dióxido de carbono, agua y nutrientes. Muchos modelos de crecimiento, poseen un
módulo que calcula la producción de biomasa estructural según la radicación solar
incidente, el dióxido de carbono capturado y/o el agua transpirada. El desarrollo
fenológico del cultivo está dirigido, principalmente por la temperatura del aire,
normalmente representada como acumulación térmica (˚Cd) y en algunos casos el
fotoperíodo, proceso que va ligado al desarrollo del área foliar, encargada de capturar la
radiación solar y el CO2 y la partición transpiración-evaporación. El crecimiento del
cultivo está, entonces, dirigido por la acumulación neta de carbono asimilado por las
hojas y transformado en biomasa. La biomasa es distribuida diferencialmente entre los
distintos órganos de la planta (hojas, raíces, tallo, órganos de almacenamiento), teniendo
en cuenta las perdidas por respiración, acopladas con el desarrollo fenológico y con la
- 65 -
disponibilidad de agua y nutrientes capturadas desde el suelo por las raíces (Jones et al.,
2003). Mientras las hojas asimilan carbono, ellas también pierden agua por
transpiración (De Wit, 1986; Steduto, 2006). Conocer como varía la evapotranspiración
a lo largo del ciclo del cultivo, facilita entender el desarrollo de los mismos.
Frente a esto, el objetivo de este capítulo, es analizar la variación de la
evapotranspiración diaria en cada etapa del cultivo a partir del modelo CERES-Wheat
del sistema DSSAT y comparar dichos valores con los obtenidos de evapotranspiración
real de datos de campo. Además, se propone analizar cuál es el aporte de la evaporación
del suelo y la transpiración del cultivo en cada ambiente y cómo afecta esto a la
producción de granos.
Materiales y métodos
El modelo de simulación de cultivos DSSAT (Decision Support System for
Agrotechnology Transfer) es una herramienta importante de investigación y apoyo para
la toma de decisiones en la transferencia de agrotecnología desde el año 1982 (Tsuji et
al. 1994). Este sistema, es el principal producto de un proyecto multi-institucional y
multi-disciplinario financiado por la Agencia para el Desarrollo Internacional de los
Estados Unidos (USAID). Este paquete de software incluye a un conjunto de modelos
(aproximadamente 16 modelos de cultivos) con un formato común de datos de entrada y
de salida. DSSAT son unas series de modelos que predice la evolución diaria de un
cultivo específico, desde la siembra hasta la cosecha. En este caso se utilizó el modelo
CERES-Wheat. Para lograr el óptimo funcionamiento del modelo, se requiere una serie
de datos de entrada para su calibración.
En primer lugar es necesario una serie de datos meteorológicos diarios que se introduce
como un archivo weather data. Las variables que incluimos en este caso fueron la
temperatura máxima y mínima, la radiación solar y la precipitación diaria de 3 años
- 66 -
completos. Los datos meteorológicos fueron obtenidos a partir de la torre de flujos
situada in situ (véase capítulo 2). Los datos de radiación fueron extraídos de la página
de la NASA (http://power.larc.nasa.gov/, fecha 11-12-2014)
También, como input del software DSSAT, fue necesario crear archivos con la
información referente a los perfiles de suelo característicos de la zona de estudio
introduciendo esta información en un archivo soil data. Estos perfiles de suelo deben
contener información respecto a propiedades físicas y químicas del suelo, entre ellas la
clasificación del tipo de suelo, pendiente de inclinación del terreno, textura, color de la
superficie del suelo, drenaje, número y profundidad de capas del perfil, contenido de
nitrógeno, carbón orgánico, nivel de pH en agua, cantidad de raíces. También el
programa permite incluir el límite inferior del cual la planta extrae agua del suelo o
punto de marchitez permanente y el límite superior del punto drenado o la capacidad de
campo. El agua contenida en el suelo entre la capacidad de campo y el punto de
marchitez permanente es el agua que el sistema radical del cultivo es capaz de absorber.
Las características genéticas de los cultivares varía entre los distintos modelos. El trigo
requiere información referente a la sensibilidad del fotoperíodo, necesidad de frío,
número potencial de granos por planta, etc. Además, el modelo requiere datos
específicos sobre el manejo del cultivo. En este caso, la fecha de siembra fue el 23 de
mayo del 2013, distancia entre hileras fue de 19 cm. La densidad de siembra fue de 400
plantas sembradas/m2 y 350 plantas emergidas. No se pulverizó, ni aplicó riego ni
fertilizantes durante el ciclo del cultivo en ninguno de los dos ambientes.
Para cada una de las etapas de desarrollo consideradas, el modelo estimó el crecimiento
potencial diario expresado en kilogramos de materia seca por unidad de superficie,
tomando en cuenta los datos meteorológicos de temperatura, radiación y
precipitaciones. También calculó a partir de la misma información meteorológica y las
características del suelo, el balance de agua (evapotranspiración) y nutrientes. El
resultado del balance de agua y nutrientes es utilizado para convertir el crecimiento
- 67 -
potencial diario en crecimiento realizable. De no existir limitaciones de agua, el
crecimiento real y potencial serian iguales (al igual que la evapotranspiración potencial
y real). En caso contrario, el crecimiento potencial se reduce considerando el factor
limitante, en este caso la disponibilidad de agua. Esta resumida descripción del modelo,
refleja la complejidad del sistema suelo-planta-agua y la gran cantidad de factores que
determinan el resultado final.
Se seleccionó dos tipos de suelos representativos de los ambientes A (franco) y B
(franco limoso), dentro de los suelos de Fray Bentos con pendientes entre 1 y 3 %. A
cada uno se le agregó las características químicas propias analizadas en la tabla 1 del
capítulo 2 correspondiente a cada ambiente. Se analizó la evapotranspiración real y se
separaron sus componentes: evaporación del suelo y transpiración, a partir del archivo
de salida del modelo. Se analizaron las diferencias entre los dos ambientes y se
contrastó con los datos de la torre de flujo in situ. Además, se comparó la productividad
estimada de cada uno de los ambientes.
Resultados y discusión
Se probaron todos los ciclos fenológicos que presenta el simulador, y se eligió el de
default, que corresponde a un ciclo medio de aproximadamente 140 días que es el
tiempo similar de desarrollo de la variedad utilizada a campo. Se seleccionaron los
parámetros relacionados a la evapotranspiración para ambos sitios. Se observa en la
Figura 23, la dinámica diaria de la evapotranspiración del modelo DSSAT para ambos
sitios, acompañada de los valores de evapotranspiración reales de la torre de Eddy
Covariance. En el grafico se evidencia que los periodos del 13-06-2013 al 25-07-2013 y
del 10-10-2013 al 07-11-2013, presentaron altas correlaciones entre los valores de
evapotranspiración simulados para los ambientes A y B y los valores de
evapotranspiración real tomado in situ (coeficiente de correlación de Pearson de 0.90 y
- 68 -
0.91 para los ambientes A y B). Sin embargo, el periodo entre el 25-07-2013 al 10-102013, presentó bajos valores de correlación entre los datos de evapotranspiración
brindados por el modelo y los valores de evapotranspiración real tomados in situ
(coeficiente de correlación de Pearson de -0.09 y -0.1 para los ambientes A y B). Es en
este periodo, que los valores simulados se encuentran subestimados alrededor de un 40
% con respecto a los valores de evapotranspiración real que registra la torre de Eddy
covariance.
Figura 23: Evolución diaria de la evapotranspiración obtenida por el simulador para los ambientes A y B
y los valores de evapotranspiración de campo
Para analizar la diferencia de evapotranspiración real entre los datos simulados y la torre
de flujo, se realizaron gráficos en donde se observan la dinámica diaria de la
evapotranspiración potencial y real para ambos ambientes (Figura 24). Podemos
observar que en ambos sitios, en el periodo de máxima cobertura, correspondiente desde
- 69 -
mediados de agosto hasta mediados de septiembre (periodo de máximo índice de área
foliar (LAI)), la evapotranspiración real y potencial son prácticamente iguales. Esto nos
podría indicar que aunque aumente la cobertura (aumente el LAI), existe una limitación
ambiental, y el cultivo no va a evapotranspirar más que lo que demanda la atmosfera.
Esto también podría dar el indicio de que la torre estaría sobrestimando ciertos valores
diarios muy elevados, por variables atmosféricas o climáticas, como alta velocidad del
viento o alta humedad relativa.
Figura 24: Evapotranspiración Real y Potencial estimada en DSSAT para los ambientes
AyB
En líneas generales, observamos a partir de los resultados del modelos de DSSAT, que
la evapotranspiración fue un poco mayor en el ambiente A en la mayoría de los días del
periodo de estudio. Teniendo en cuenta el aporte de la evaporación del suelo y
transpiración de la planta en cada ambiente, se observa en las figuras 25 y 26, alguna
diferencias en la dinámica de estos dos parámetros. El ambiente A (Figura 25),
evapotranspiró 259 mm acumulados en el periodo, de los cuales 162 mm corresponden
a transpiración (65 %), y 97 mm (35%) son evaporados del suelo. El Ambiente B
- 70 -
(Figura 26), presenta un total evapotranspirado de 230 mm, 130 mm transpirado por la
vegetación (56%) y 100 mm evaporado por el suelo (44%).
Figura 25: Proporción de evaporación del suelo y transpiración diarias en el ambiente A
Figura 26: Proporción de evaporación del suelo y transpiración diarias en el ambiente B
- 71 -
Debido a que las características del cultivo y meteorológicas son las mismas en ambos
sitios, podemos suponer que las diferencias en el uso del agua se deben a la estructura y
componentes químicos del suelo. Los suelos franco limosos, como son los del ambiente
B, presentan mayor punto de marchitez permanente que los suelos del ambiente A,
retienen más agua, encontrándose ésta más disponible para ser evaporada .El suelo del
ambiente A, caracterizado como franco, presenta mayor permeabilidad que los
anteriores (Allen et al., 2006). Por otro lado, este suelo contiene mayor proporción de
materia orgánica, que ayuda a retener el agua y a disminuir la temperatura de la
superficie, reduciendo la evaporación de agua en el suelo. Esta diferencia en el ciclo del
agua de ambos sistemas, se traduce en una mayor acumulación de biomasa para el
ambiente A, por ende y mayor producción de granos como se observa en la Figura 27
Figura 27: Predicción del rendimiento de grano estimado del cultivo en los ambientes A y B según
modelo DSSAT
- 72 -
Los valores de productividad de grano, fueron de 3334 kg/ha para el ambiente A y de
2922 kg/ha para el ambiente B. Si bien no existen registros de lo cosechado en el año
2013 en cada lote, en el 2012, los monitores de rendimientos disponibles para el área,
registraron que la misma rindió 3500 -4000 kg. Sin embargo, cabe destacar que ese año
las precipitaciones registradas superaron la media histórica en un 50%. Martino (1997)
identifica cuatros grandes factores negativos del punto de vista de las condiciones
físicas del suelo en los cultivo de trigo en Uruguay: a- baja disponibilidad de energía
térmica para la implantación que determina largos periodos de siembra-emergencia,
problema particularmente importante en siembra directa, donde las temperaturas del
suelo pueden ser muy bajas; b- deficiencia de oxígeno para la germinación y
profundización temprana de las raíces, que puede ser causado por saturación de agua en
el suelo; c- alta resistencia mecánica en capas superiores del suelo que no permite el
buen desarrollo de las raíces; d- deficiencia de agua en la fase de macollaje y fases
reproductivas. Este último punto puede ser uno de los que más haya afectado el
rendimiento de esta campaña, ya que las precipitaciones fueron escasas en esos
períodos. Otros autores también indican que la disponibilidad de agua es un factor clave
en el rendimiento de trigo. En un experimento de campo de Behera y Panda (2009) con
trigo cultivados bajo diferentes niveles de fertilizante nitrogenado y regímenes de riego,
se constató que el rendimiento de grano disminuyó con un aumento del estrés hídrico.
Por otro lado, puede ser que el modelo utilizado necesite ajustes. Al suponer que el
modelo considera valores de evapotranspiración real estimada, un 40 % por debajo de
los valores registrados a campo, es posible que también los valores de rendimientos
estén subestimados. Povilaitis y Lazanskas (2010), analizaron el ajuste en la
productividad del modelo CERES-Wheat, en tres campañas con distintos tratamientos
en el centro de Lituania. Ellos observan altos ajustes del modelo en tratamientos donde
se aplicó fertilizante nitrogenado y no sufrían estrés hídrico severo. Sin embargo, el
ajuste fue menor en aquellas campañas sin aplicación de fertilizante y que habían sido
afectadas por estrés hídrico. También, Wu y colaboradores (2013) comparan los valores
de rendimiento simulados con datos de campo en tres campanas sin deficiencias hídricas
considerables del este de China, encontrando una eficiencia del modelo superior a 85 %.
- 73 -
Las experiencias en validación y calibración de variedades de trigo para efectos de
simulación con DSSAT en Sudamérica no son muy numerosas (Albarenque et al.,
2010). Esta falta de calibración del modelo, puede deberse a varios factores. Por un
lado, es factible que el modelo no esté calibrado para las características climáticas y
ambientales de estas latitudes y a las características genéticas de la variedad de trigo
empleada. Por otro lado, al considerar en la condición inicial del suelo, las
características edáficas a los 10 cm, y no analizar por falta de muestreo, lo que sucede
por debajo de esta profundidad, es sin duda un factor a tener en cuenta, ya que la mayor
parte de las raíces del cultivo de trigo, se desarrollan hasta los 60 cm de profundidad
donde carecemos de información (Silva et al., 2011). También, puede ser que los
valores de radiación extraídos de satélites, subestimen la radiación solar que llega a la
superficie, siendo este uno de los factores más importante para el crecimiento y
desarrollo de la planta. Errores similares fueron encontrados en cultivos de frijoles
(Osorio Morillo, 2014).
Pese a sus altas exigencias de información de entrada, el modelo DSSAT puede ser
usado satisfactoriamente para simular el desarrollo del cultivo de trigo y para el análisis
de la evapotranspiración diaria. Si bien comprobamos que se necesita ajustarlo, el
modelo marco tendencias correctas y una mayor evapotranspiración del ambiente A
como era esperado. Con este modelo se pueden detectar los periodos requerimiento de
agua en el cultivo, y tomar medidas como la aplicación de riego, para que no se vea
afectado el rendimiento.
Referencias
Albarenque S.M., Caviglia O.P. y Melchiori R.J.M. 2010. Simulación de la
evapotranspiración y eficiencia en el uso del agua en cultivares de trigo de ciclo
contrastante sobre dos suelos. Actualización Técnica Nº 1 INTA. Cultivo de invierno
53-59.
- 74 -
Allen R.G., Pereira L.S., Raes, D. y Smith M., 2006, Evapotranspiración del
cultivo: Guía para la determinación de los requerimientos de agua de los cultivos,
Estudio FAO Riego y Drenaje, Vol. 56, FAO, Roma, 2006. PP. 323.
Behera S. K., Panda R. K. 2009. Integrated management of irrigation water and
fertilizers for wheat crop using field experiments and simulation modelling. Agricultural
Water Management 96: 1532–1540.
De Wit C.T. 1982. Coordination of models. In: Penning de Vries, F.W.T.; Van
Laar, H.H. (Ed.) Simulation of plant growth and crop production. Wageningen:
PUDOC.
Dourado-Neto D., Teruel D.A.; Reichardt K.; Nielsen D.R.; Frizzone J. A.;
Bacchi O.O. 1998 Principle of Crop Modelling and Simulation: II. The implication of
the Objetive in Model Development. Sci. agric., Piracicaba, 55: 51-57.
Jones J. W., Hoogenboom G., Porter C. H. et al.2003. The DSSAT cropping
system model // European Journal of Agronomy 18: 235–265.
Martino D. restricciones físicas de suelo para la expresión de altos rendimientos
de trigo en Uruguay. En Explorando grandes rendimientos de trigo editores Man Mohan
Kohli y Daniel Martino. 1997. 351 pp.
Osorio Morillo R.J.2014. Aplicación del modelo DSSAT en cultivos de frijol en
El Guayabo y Campus de la EAP Zamorano, Honduras. Escuela Agrícola
Panamericana, Zamorano Honduras. Trabajo final de la Carrera de Ingeniería en
Ambiente y desarrollo. 39p.
Povilaitis,V. and Lazauskas S. .2010. Winter wheat productivity in relation to
water availability and growing intensity. ŽemdirbystAgriculture Vol. 97, p. 59–68.
Rojas Barbosa E.O. 2011. Evaluación del desarrollo del cultivo de papa bajo
escenarios de variabilidad climática interanual y cambio climático, en el sur oeste de la
Sabana de Bogotá. Tesis de Magíster en Ciencias - Meteorología. Universidad Nacional
de Colombia. Facultad de Ciencias, Departamento de Geociencias Bogotá D.C.,
Colombia 2011.
Steduto P. (1996) Water use efficiency. In: Pereira LS, Feddes RA, Gilley JR,
Lesaffre B (eds) Sustainability of irrigated agriculture. NATO ASI series E: applied
sciences. Kluwer, Dordrecht, pp 193–209
Tsuji G.Y., Uehara G., Balas S. (Eds.), 1994. DSSAT version 3. University of
Hawaii, Honolulu, Hawaii.
Wu C, Anlauf R. and Ma Y. 2013. Application of the DSSAT Model to Simulate
Wheat Growth in Eastern China. Journal of Agricultural Science; 5(5), 198-208.
- 75 -
Capítulo 6
Conclusiones finales
Esta tesis presenta el primer trabajo de aplicación de modelos semiempírico para la
estimación de la evapotranspiración real en cultivo de trigo de la región de Soriano y
que podría ser aplicable a regiones similares. El modelo reveló una alta correlación con
los datos de campo, considerándolo adecuado para el monitoreo del cultivo. La
resolución espacial es correcta para este estudio ya que permite identificar parches que
responden de forma similar dentro del mismo cultivo. La dificultad que presentan estos
modelos es la necesidad de poseer datos de campo. Otra desventaja, es que solo se
puede obtener una imagen como mínimo cada 16 días (periodo de revisita de Landsat),
siempre que la escena no presente nubes. Esta limitante podría superarse mediante el
empleo de drones equipados con sensores que registren la reflectancia en la banda roja,
NIR e infrarrojo térmico.
El uso de índice de vegetación que evidencien el estado de estrés de la cobertura vegetal
de forma rápida, sin necesidad de datos de campo y que presente alta correlación con
los valores estimados de la variable de estudio, también es un dato relevante. El TDVI
muestra una alta ventaja, frente al resto de los índices calculados en lo que respecta la
correlación con la variable de evapotranspiración estimada y medida a campo. Cabe
destacar que el NDWI, también mostro alta correlación a con los datos de campo.
El programa DSSAT, nos permiten simular la dinámica diaria del cultivo. Si bien la
evapotranspiración real siguió una tendencia similar a los valores de la torre de flujo, el
programa subestimó los valores de la variable en un 40 %. Se considera que el software
es de utilidad para detectar los periodos críticos de máximo consumo de agua de
- 76 -
acuerdo a las condiciones iniciales de siembra, y de presentar en el periodo a analizar,
déficit hídrico, nos permitirá tomar medidas para que no se vea comprometido el
rendimiento del cultivo.
El modelo semiempírico y el DSSAT se complementan, y nos permitirán a futuro
monitorear la evapotranspiración real del cultivo y generar planes de riego localizado en
aquellas zonas críticas con síntomas de estrés, y así mejorar el rendimiento en años
secos.
Futuras consideraciones
La mayor desventaja del modelo semiempírico propuesto, es la dependencia con datos
de campo para su estimación. La sustitución de las variables radiación incidente de onda
corta y temperatura de aire, generadas por los modelos WRF, en el modelo
semiempírico, no ajustó adecuadamente. Debido a que la resolución espacial era muy
alta, los pixeles son mixtos, y promedian valores de temperatura de distintas coberturas
(cultivos, ciudad, suelo desnudo, etc.), que lo aleja del valor de temperatura real local
del área del cultivo de trigo. Conocer la temperatura es crucial a la hora de estimar
evapotranspiración. Seria interesante, en futuros estudios, generar un mejor ajuste de
estos modelo para la estimación de la evapotranspiración real sin necesidad de datos de
campo.
También se propone como futuros trabajos, ajustar el modelo DSSAT con mayor
cantidad de observaciones de fenología, humedad del suelo, producción de materia seca,
LAI y verificar resultados con monitores de rendimiento.
- 77 -
Anexo
;Código para estimar evapotranspiración real en trigo a partir de
Landsat 8. Se trabaja con un recorte del área de estudio
; Se exporta desde Envi a IDL los recorte de las bandas 2,3,4,5,6,7,y
10 con los nombres b2, b3, b4, b5, b6, b7 y b10 respectivamente
; Input de la estación meteorológica: temperatura a 2 mt (ta) y
Radiación neta incidente de onda corta entre las 10-11 hs (radin)
ta=281.11
radin=450
;Input extraídos del archivo de metada : RADIANCE_MULT_BAND,
RADIANCE_ADD_BAND, ;REFLECTANCE_MULT_BAND, REFLECTANCE_ADD_BAND
;K1_CONSTANT_BAND_10;K2_CONSTANT_BAND_10
; sun elevation
RADIANCE_MULT_BAND_10 = 3.3420E-04
RADIANCE_ADD_BAND_10 = 0.10000
K1_CONSTANT_BAND_10 = 774.89
K1_CONSTANT_BAND_11 = 480.89
K2_CONSTANT_BAND_10 = 1321.08
K2_CONSTANT_BAND_11 = 1201.14
SUN_ELEVATION=32.17759857
;calculo de
radianza en banda 10
radb10=(RADIANCE_MULT_BAND_10*b10)-RADIANCE_ADD_BAND_10
;ecuación de transferencia radiactiva de Barsi para cálculo de la
temperatura
tempb10=K2_CONSTANT_BAND_10/alog((K1_CONSTANT_BAND_10/radb10)+1); en
kelvin
; se calcula la reflectancia de cada banda. La banda en reflectancia
se llama refbn, siendo n el número de la banda ej:b2 en reflectancia
es refb2
refb2=((2.0000E-05*b2)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
refb3=((2.0000E-05*b3)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
refb4=((2.0000E-05*b4)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
refb5=((2.0000E-05*b5)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
refb6=((2.0000E-05*b6)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
- 78 -
refb7=((2.0000E-05*b7)-0.100000)/cos(((90SUN_ELEVATION)*2*3.1416)/360)
;calculo de albedo (alb)para Landsat8
alb=((0.356*refb2)+(0.130* refb4)+(0.373* refb5)+(0.085*
refb6)+(0.072* refb7)-0.0018)/1.016
;Calculo de NDVI y de PV (proporción de la vegetación)
ndvi=float((refb5-refb4)/(refb5+refb4))
ndvi_max=max(ndvi)
ndvi_min=min(ndvi)
pv= ((ndvi-ndvi_min)/(ndvi_max-ndvi_min))^2
; emisividad de la superficie (emi_sup). Parámetros necesarios:
Emisividad de la vegetación (ev) y Emisividad del suelo desnudo(es),
extraídos de Pertovt et al 2009.
ev=0.985
es=0.96
;Emisividad de superficie
emi_sup=(pv*ev)+(1-pv)*es
; Calculo de radiación neta instantánea (rni). Además de los
parámetros ya calculados, se necesita : constante de Stephan
Boltzmann’s (sigma) en (W m-2 K-4) y Emisividad del aire (ea)
ea= (0.92/10^5)*ta^2
sigma=5.670400*10^(-8)
rni= radin *(1-alb)+emi_sup*ea*sigma*ta^4-emi_sup*sigma*tempb10^4
;Cálculo de la radiación neta diaria (rnd) según resultados del
capítulo 4
rnd=rni*0.401-25.65
; Calculo de evapotranspiración real (led). Se necesitan los
coeficientes A y B conseguidos en el capítulo 4
B=-40
A=-82
led= rnd+A-B*(tempb10-ta); evapotranspiración en W
led_mm=(led/(2500000))*86400; evapotranspiración en milímetros
end
- 79 -